一个基于线性Diophantine模糊集成监督机器学习的增强心脏病预测模型
Jeevitha Kannan1,2, Vimala Jayakumar3, Nasreen Kausar4,5
1Center of Computational Biology, SRM Institute of Science and Technology, Ramapuram, Chennai, India.
Health information science and systems
|February 26, 2026
概括
本研究引入了一种新的混合模型,将语言决策模糊集 (LDFS) 框架与机器学习 (ML) 整合起来,以改善心脏病诊断. LDFS-ML方法有效地处理数据模两可,提高诊断准确性和可解释性.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 模糊逻辑系统 模糊逻辑系统
背景情况:
- 传统的机器学习 (ML) 方法与医疗诊断固有的不确定性和模糊性作斗争.
- 现有的ML管道需要复杂的特征工程来处理各种数据类型 (分类和数值).
研究的目的:
- 开发和评估一种混合模型,将语言决策模糊集 (LDFS) 与ML算法相结合,用于增强心脏病诊断.
- 解决传统ML在处理模两可的医疗数据和各种特征类型方面的局限性.
主要方法:
- 提出了一种新的混合LDFS-ML模型,它适应了使用会员函数的分类和数值特征.
- 几个ML算法 (逻辑回归,决策树,SVM,XGBoost) 在基于Crisp和LDF的数据集上进行了评估.
- 进行了比较分析,以评估LDFS-ML模型与传统ML方法的性能.
主要成果:
- 拟议的LDFS-ML模型在分类任务中始终优于传统的ML算法.
- 在LDF数据集的性能指标中观察到显著的改善,包括精度增加0.97%,精度增加0.95%,回忆增加0.99%,F1得分增加0.97% (XGBoost).
- LDFS框架证明了有效处理数据模两可,并简化了特征类型管理.
结论:
- 将LDFS与ML集成为医学诊断提供了一个有希望的新方向,特别是在管理模糊性方面.
- LDFS-ML混合模型通过提供更好的解释性和性能来增强决策过程.
- 这种方法克服了传统ML在医疗应用中的关键局限性,为更强大的诊断工具铺平了道路.
