基于特征选择技术的中风疾病分类
机器学习
2025-05-23 v3 人工智能
摘要
心脏病是全球死亡和患病率的主要原因，迫切需要开发准确可靠的预测模型以实现早期检测和干预。虽然现有工作集中于各种机器学习方法来预测心脏病，但未能实现卓越的准确率。为此，我们将九种机器学习算法（XGBoost、逻辑回归、决策树、随机森林、k近邻（KNN）、支持向量机（SVM）、高斯朴素贝叶斯（NB gaussian）、AdaBoost和线性回归）应用于基于多种生理指标的心脏病预测。我们的方案包括应用特征选择技术以识别最相关的预测因子，旨在细化模型以提高性能和可解释性。模型训练过程中采用网格搜索超参数调优和交叉验证以最小化过拟合。此外，我们开发了一种结合特征选择技术的新型投票系统，以 advance 心脏病分类。我们还使用关键绩效指标（包括准确率、精确率、召回率、F1分数以及受试者工作特征曲线下面积（ROC AUC））对模型进行评估。在所有模型中，XGBoost表现突出，达到99%的准确率、精确率和F1分数，98%的召回率和100%的ROC AUC。该研究为早期心脏病诊断和预防性医疗提供了有前景的方案。
引用
@article{arxiv.2504.00485,
title = {Stroke Disease Classification Using Machine Learning with Feature Selection Techniques},
author = {Mahade Hasan and Farhana Yasmin and Xue Yu},
journal= {arXiv preprint arXiv:2504.00485},
year = {2025}
}