心脏病预测的全面机器学习框架：性能评估与未来展望
机器学习
2025-05-16 v1 人工智能
摘要
本研究提出了基于机器学习的心脏病预测框架，采用心脏病数据集，其中包含303个样本和14个特征。方法包括数据预处理、模型训练和使用三个分类器（逻辑回归、K近邻(KNN)和随机森林）进行评估。通过网格搜索交叉验证和随机搜索进行超参数调优以提升模型性能。随机森林分类器超越其他模型，实现91%的准确率和0.89的F1分数。包括精确率、召回率和混淆矩阵在内的评估指标显示，该模型在各类别间表现均衡。该模型在辅助临床决策方面具有强大的潜力，通过有效预测心脏病。数据集规模和可解释性等局限性凸显了使用更大规模和更具代表性的数据集进行未来研究的必要性。这一工作突显了机器学习在医疗保健领域的应用前景，为预测诊断的进一步发展提供了见解。
引用
@article{arxiv.2505.09969,
title = {A Comprehensive Machine Learning Framework for Heart Disease Prediction: Performance Evaluation and Future Perspectives},
author = {Ali Azimi Lamir and Shiva Razzagzadeh and Zeynab Rezaei},
journal= {arXiv preprint arXiv:2505.09969},
year = {2025}
}