Прогнозирование заболеваний сердца с помощью алгоритмов машинного обучения

Аннотация

Повышение точности выявления заболеваний сердца широко изучается в области машинного обучения. Такое исследование призвано предотвратить большие потери в здравоохранении и привести к неправильному диагнозу. В результате были предложены различные методы анализа факторов заболевания, направленные на снижение различий в опыте врачей и снижение медицинских расходов и ошибок. В данном исследовании были использованы 6 алгоритмов классификационного обучения, в том числе методы машинного обучения, такие как дерево классификации, метод ближайших соседей, наивный Байес, случайное лесное дерево, методы бустинга.  Эти методы были обобщены университетом Клевеленда применяя датасет csv, он был обучен делать эффективные и высокоточные прогнозы сердечных заболеваний. С целью повышения предсказательной способности алгоритмов все методы были обучены в первую очередь нестандартизированным данным.  Проведено исследование того, насколько стандартизация данных с использованием метода Standard Scaler влияет на результат. В ходе исследования этот метод помог таким алгоритмам, как KNN и SVC, улучшить результат почти на 25\%.