基于改进集成学习的心冠状动脉心脏病诊断
机器学习
2020-07-07 v1 计算机视觉与模式识别
图像与视频处理
摘要
在对冠状动脉心脏病进行适当治疗之前需要准确的诊断。许多研究者提出了基于机器学习的方法以提高冠状动脉心脏病诊断的准确率。集成学习与级联泛化是可被用于改善学习算法泛化能力的方法之列。本研究的目的是开发基于集成学习与级联泛化的心脏病诊断方法。本研究提出了一种采用松耦合策略的级联泛化方法。C4.5 与 RIPPER 算法被用作元级算法，朴素贝叶斯被用作基级算法。Bagging 与随机子空间被用于构建集成。将混合级联集成方法与非集成模式及非级联模式下的学习算法进行比较。这些方法还与旋转森林进行比较。基于评估结果，混合级联集成方法在给定的心脏病诊断案例中表现出最佳结果。进行了准确率与多样性评估以分析级联策略的影响。基于结果，集成中分类器的准确率提高但多样性降低。
引用
@article{arxiv.2007.02895,
title = {Coronary Heart Disease Diagnosis Based on Improved Ensemble Learning},
author = {Kuntoro Adi Nugroho and Noor Akhmad Setiawan and Teguh Bharata Adji},
journal= {arXiv preprint arXiv:2007.02895},
year = {2020}
}