机构名称：
¥ 1.0
心脏病是一种常见疾病，可导致死亡，难以手动检测。更有效的分类模型依靠机器学习方法来实现更高的分类精度，吸引了研究人员的注意力设计有效的预测模型。此外，它在医学心脏病学的实际应用中起着重要作用，目的是早期发现心脏病。在本文中，根据提出的自适应特征选择技术，使用四种机器学习方法提出了有效而准确的心脏病检测系统：支持向量机（SVM），逻辑回归（LR），决策树（DT）和随机森林（RF）。使用两种特征选择方法来设计提出的技术，相互信息（MI）和递归功能消除（RFE），以确定提高分类模型性能并降低模型实现时间复杂性的最佳选定特征数量。所提出的技术是在UCI机器学习存储库的两个标准数据库上实施的：克利夫兰心脏病和心脏statlog cleveland。使用交叉验证方法选择并保存为预测模型。结果表明，每个数据都根据分类器模型选择了不同数量的功能。对于第一个心脏病数据集，与其他分类器模型相比，最佳心脏病检测系统支持矢量机器 - 毫无用量信息（SVM-MI）的最高分类精度约为96.755。虽然第二个数据集的随机森林 - 杂种信息（RF-MI）模型的准确度为97.4％。与该领域的最新研究相比，该技术在准确性，F1分数，准确性和度量检索方面产生了最高的预测性能。
自适应特征选择技术用于有效心脏病预测
主要关键词
相关文件推荐
