机构名称：
¥ 1.0
摘要：- 预测心脏病发作是导致全球发病率上升的一个重要问题。在临床数据分析中，心血管疾病成为预测的关键焦点，其中数据科学和机器学习 (ML) 提供了宝贵的工具。这些方法通过考虑各种风险因素来帮助预测心脏病发作，就像高血压、胆固醇水平升高、脉搏不规律和糖尿病一样，这项研究旨在通过机器学习技术提高预测心脏病的准确性。本研究介绍了一种 ML 驱动的方法，称为 ML-ELM，致力于通过分析各种风险因素来预测心脏病发作。提出的 ML-ELM 模型与替代方法进行了比较，利用支持向量机、逻辑回归、朴素贝叶斯和 XGBoost 等机器学习技术是探索不同预测建模方法的一个关键方面。，是研究策略的一部分。用于心脏病症状的数据集来自 UCI ML 存储库。结果表明，我们提出的 ML-ELM 模型在测试的 ML 技术中表现出卓越的预测性能。 ML 模型在识别心脏病发作症状方面表现出显著的效率，尤其是使用增强算法时。我们使用准确度评估来衡量预测能力，我们建议的模型显示出 96.77% 的出色准确率。
通过 OHE2LM 优化心脏病发作预测
主要关键词
相关文件推荐
