基于贝叶斯网络模型的心脏病预测快速算法
机器学习
2020-12-18 v1
摘要
心血管疾病是全球头号死因。数据挖掘有助于从卫生部门的可用数据中检索有价值的知识，其可训练模型以预测患者健康状况，且相较于临床实验更为快速。逻辑回归、K近邻、朴素贝叶斯（NB）、支持向量机等多种机器学习算法已应用于 Cleveland 心脏病数据集，但使用贝叶斯网络（BN）进行建模仍存在局限。本研究应用 BN 建模来发现从 UCI 仓库收集的 Cleveland 心脏病数据中 14 个相关属性之间的关系，旨在检验属性间的依赖关系如何影响分类器的性能。BN 在属性间产生可靠且透明的图形表示，并能够预测新情景。该模型准确率为 85%。结论表明，该模型优于准确率为 80% 的 NB 分类器。
引用
@article{arxiv.2012.09429,
title = {A Fast Algorithm for Heart Disease Prediction using Bayesian Network Model},
author = {Mistura Muibideen and Rajesh Prasad},
journal= {arXiv preprint arXiv:2012.09429},
year = {2020}
}