Прогнозирование заболеваний сердца с помощью алгоритмов машинного обучения
DOI:
https://doi.org/10.26577/JMMCS.2022.v115.i3.10Ключевые слова:
Классификация, стандартизация, обучающая выборка, метрика, бустинг, матрица путаницыАннотация
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\%.
Библиографические ссылки
FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology(2021): 8-9 p.
[2] R. Bharti [et al.],"Prediction of Heart Disease Using a Combination of Machine Learning and Deep Learning" ,
Computational Intelligence and Neuroscience(2021): 3-6 p.
[3] Dimitris Bertsimas, Luca Mingardi, Bartolomeo Stellato "Machine Learning for Real-Time Heart Disease Prediction" , IEEE Journal of Biomedical and Health Informatics (2021): 12-14 p.
[4] Mensah G.A., Roth G.A., Valentin Fuster, "The Global Burden of Cardiovascular Diseases and Risk Factors: 2020 and Beyond " , Journal of the American College of Cardiology, (2019): 2-9 p.
[5] Amini M., Zayeri F., Salehi M., "Trend analysis of cardiovascular disease mortality, incidence, and mortality-to-incidence ratio: results from global burden of disease study 2017" , BMC Public Health, (2021): 12 p.
[6] Md Mamun Ali [et al.], "Heart disease prediction using supervised machine learning algorithms: Performance analysis and comparison" , Computers in Biology and Medicine. (2021): 6-7 p.
[7] Amin Ul Haq [et al.], "A hybrid intelligent system framework for the prediction of heart disease using machine learning algorithms" , Mobile Information System (2018): 11-13 p.
[8] Fajr Ibrahem Alarsan, Mamoon Younes, "Analysis and classification of heart diseases using heartbeat features and machine learning algorithms" , Journal of Big Data (2019): 8 p.
[9] Yunxing Jiang [et al.], "Cardiovascular disease prediction by machine learning algorithms based on cytokines in kazakhs of china" , Clinical Epidemiology (2021): 5 p.
[10] Yan Yan Song, Ying Lu., "Decision tree methods: applications for classification and prediction" , Shanghai Archives of Psychiatry (2015): 1-7 p.
[11] Pбdraig Cunningham, "K-Nearest Neighbour Classifiers-A Tutorial" , ACM Computing Surveys (2021): 6-9 p.
[12] Sandro Sperandei, "Understanding logistic regression analysis" , Biochemia Medica (2014): 5-9 p.
[13] Candice Bentejac, Anna Csurgo, Gonzalo Martinez-Munoz, "Data classification using support vector machine" , Artificial Intelligence Review (2021): 2-7 p.
[14] Leo Breima, "Random forests" , Machine Learning 45,5-32 (2001)
[15] Durgesh K Srivastava, Lekha Bhambhu, "Data classification using support vector machine" , Journal of Theoretical and Applied Information Technology (2010): 3-9 p
