使用机器学习和深度学习模型优化心脏病诊断的特征选择策略
机器学习
2025-03-24 v1 人工智能
摘要
心脏病仍然是全球发病率和死亡率的主要原因之一，因此需要开发有效的诊断工具以实现早期诊断和临床决策。本研究使用心脏病临床指标数据集，评估了特征选择技术——互信息（MI）、方差分析（ANOVA）和卡方检验——对各种机器学习（ML）和深度学习（DL）模型预测性能的影响。使用精确率、召回率、AUC分数、F1分数和准确率等指标评估了十一个ML/DL模型。结果表明，MI优于其他方法，特别是对于神经网络等先进模型，达到了82.3%的最高准确率和0.94的召回率。逻辑回归（准确率82.1%）和随机森林（准确率80.99%）在使用MI时也表现出改进的性能。朴素贝叶斯和决策树等更简单的模型在使用ANOVA和卡方检验时取得了相当的结果，准确率分别为76.45%和75.99%，使其成为计算效率高的替代方案。相反，K近邻（KNN）和支持向量机（SVM）表现出较低的性能，无论使用何种特征选择方法，准确率都在51.52%到54.43%之间。本研究对用于心脏病预测的特征选择方法进行了全面比较，证明了特征选择在优化模型性能中的关键作用。结果为根据所选分类算法选择合适的特征选择技术提供了实用指导，有助于开发更准确、更高效的诊断工具，以增强心脏病学中的临床决策。
引用
@article{arxiv.2503.16577,
title = {Feature selection strategies for optimized heart disease diagnosis using ML and DL models},
author = {Bilal Ahmad and Jinfu Chen and Haibao Chen},
journal= {arXiv preprint arXiv:2503.16577},
year = {2025}
}