机构名称：
¥ 1.0
摘要：心血管疾病提出了一项重大的全球健康挑战，该挑战强调了开发准确，更有效的检测方法的关键需求。几项研究在这一领域中贡献了宝贵的见解，但是仍然有必要提高预测模型并解决现有检测方法中的差距。例如，以前的一些研究没有考虑到数据集的挑战，这可能会导致偏见的预测，尤其是当数据集包括少数类别时。这项研究的主要重点是使用机器学习技术的早期发现心脏病，尤其是心肌梗死。它通过进行全面的文献综述来确定有效的策略来应对不平衡数据集的挑战。将七个机器学习和深度学习分类器（包括K-Neartheard邻居，支持向量机，逻辑回归，卷积神经网络，梯度增强，XGBoost和随机森林）部署，以提高心脏病预测的准确性。该研究探讨了不同的分类器及其性能，为开发心肌梗死的强大预测模型提供了宝贵的见解。该研究的结果强调了对心血管疾病的XGBoost模型精心调整的有效性。此优化产生了显着的结果：98.50％的精度，99.14％的精度，98.29％的召回率和98.71％的F1分数。这种优化显着提高了模型对心脏病的诊断准确性。
基于机器学习的预测模型，用于检测心血管疾病
主要关键词
相关文件推荐
