基于堆叠集成方法的心脏病预测改进
机器学习
2023-04-13 v1
摘要
心脏病刚刚超越癌症成为全球最大的死因。通过早期识别和治疗，可以减少多起心力衰竭、心脏病死亡率以及诊断成本。医疗保健行业收集了大量医疗数据，但并未得到充分挖掘。发现这些信息中先前未知的模式和关联，有助于在预测心脏病风险时做出更优决策。在所提出的研究中，我们使用心脏病数据集，构建了一个基于机器学习的心脏病预测诊断系统。我们使用了异常值检测与剔除、检查并移除缺失项、特征归一化、交叉验证等数据预处理技术，九种分类算法（如 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM），以及八种分类器性能度量指标（如分支准确率、精确率、F1 分数、特异性、ROC、灵敏度、对数损失和马修斯相关系数），并进行了八项分类性能评估。我们的方法可以轻松区分患有心脏病的人和正常人。确定了每个分类器的受试者工作特征曲线及其曲线下面积。本研究讨论了分类模型的大多数分类器、预处理策略、验证方法和性能评估指标。利用其所有功能，所提方案的性能得到了证实。在这项工作中，利用包含这九种算法的堆叠集成方法评估了临床决策支持系统的影响。
引用
@article{arxiv.2304.06015,
title = {An Improved Heart Disease Prediction Using Stacked Ensemble Method},
author = {Md. Maidul Islam and Tanzina Nasrin Tania and Sharmin Akter and Kazi Hassan Shakib},
journal= {arXiv preprint arXiv:2304.06015},
year = {2023}
}
备注
14 pages, 5 figures and submitted to Springer Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering