基于粒子群优化算法的 Transformer 心脏病预测模型优化
人工智能
2025-01-08 v3
摘要
针对最新的粒子群优化算法，本文提出了改进的 Transformer 模型，以提高心脏病预测的准确率，并提供一种新的算法思路。我们首先使用三种主流机器学习分类算法——决策树、随机森林和 XGBoost，然后输出这三种模型的混淆矩阵。结果表明，随机森林模型在预测心脏病分类方面表现最佳，准确率为 92.2%。随后，我们将基于粒子群优化（PSO）算法的 Transformer 模型应用于相同的数据集进行分类实验。结果表明，该模型的分类准确率高达 96.5%，比随机森林高出 4.3 个百分点，这验证了 PSO 在优化 Transformer 模型方面的有效性。从上述研究可以看出，粒子群优化显著提高了 Transformer 在心脏病预测中的性能。提高心脏病预测能力是全球的优先级，这对全人类都有着巨大的益处。准确的预测可以增强公共卫生，优化医疗资源配置，减少医疗成本，从而促进更健康的人口和更高效的社会。这一进展为更高效的健康管理铺平了道路，并支撑了更健康、更具韧性的全球社区的基础。
关键词
引用
@article{arxiv.2412.02801,
title = {Optimization of Transformer heart disease prediction model based on particle swarm optimization algorithm},
author = {Jingyuan Yi and Peiyang Yu and Tianyi Huang and Zeqiu Xu},
journal= {arXiv preprint arXiv:2412.02801},
year = {2025}
}