基于数据平衡方法的心脏病预测专家系统设计
偏微分方程分析
2024-07-29 v1
摘要
心脏病是全球性健康问题，每年夺去数百万条生命。及早发现和精准预测对于预防和成功治疗心血管疾病至关重要。大量研究利用机器学习 (ML) 模型预测心脏病。本文针对 "Heart disease health indicators" 数据集，采用五种机器学习方法：决策树 (DT)、随机森林 (RF)、线性判别分析、额外树分类器和 AdaBoost。模型进一步使用多种特征选择 (FS) 技术进行评估。为增强基线模型，我们分别应用四种 FS 技术：顺序前向 FS、顺序后向 FS、相关矩阵和 Chi2。最后应用 K-means SMOTE 过采样进行模型分析。结果表明，在预测心脏病时，集成方法尤其是随机森林的表现优于单个分类器。吸烟、血压、胆固醇和缺乏体力活动是发现的主要预测因子。随机森林和决策树模型的准确率达 99.83%。本文展示了机器学习模型如何提高心脏病预测精度，尤其是使用集成方法。
引用
@article{arxiv.2407.18605,
title = {Local well-posedness of the initial value problem for a fourth-order nonlinear dispersive system on the real line},
author = {Eiji Onodera},
journal= {arXiv preprint arXiv:2407.18605},
year = {2024}
}
备注
42 pages