Машиналық оқыту алгоритмдері арқылы жүрек ауруларын болжау
DOI:
https://doi.org/10.26577/JMMCS.2022.v115.i3.10Кілттік сөздер:
Классификация, стандартизация, оқыту таңдамалары, метрика, бустинг, шатасу матрицасыАннотация
Жүрек ауруларын анықтаудың дәлдігін арттыруды машиналық оқыту саласында кеңінен зерттелуде. Мұндай зерттеу денсаулық сақтау саласында үлкен шығындардың алдын алу үшін және қате диагноздың қойылу себептерінен туындайды. Нәтижесінде дәрігерлердің тәжирбеіиндегі айырмашылықтарды азайтуға және медициналық шығындар мен қателіктерді төмендетуге бағытталған ауру факторларын талдаудың әртүрлі әдістері ұсынылады. Бұл зерттеуде классификациялық оқытудың 6 алгоритмін, соның ішінде атап айтанда жіктеу ағашы, жақын көршілер әдісі, аңқау Байес, кезейсоқ орман ағашы, бустинг әдістері қолданылды. Осы әдістерді Клевеленд университетінің жинақтаған heart.csv датасетіне қолдану арқылы жүрек ауруларының тиімді және дәлдігі жоғары болжам жасауға үйретілді. Алгоритмдердідің болжау қабілеттіктерін арттыру мақсатында барлық әдістерді бірінші кезекте стандартталмаған деректерге оқытылды. Standart Scaler әдісін қолдану арқылы деректерді стандартизациялау нәтижеге қаншалықты әсер ететініне зерттеу жүргізілді. Зерттеу барысында бұл әдіс KNN мен SVC секілді алгоритмдерге нәтижені 25\%-ға жуық жақсартуға көмек берді.
Библиографиялық сілтемелер
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
