机构名称：
¥ 1.0
心脏病是全球主要的健康问题，导致全球发病率和死亡率居高不下。降低心脏病发病率最重要的方面之一是早期识别和预测。机器学习技术与可解释人工智能 (XAI) 相结合，为精准理解和预测心脏病风险变量提供了一条可行的途径。本文探讨了机器学习 (ML) 和可解释人工智能 (XAI) 在心脏病预测中的应用。该研究利用多种复杂算法，展示了基于机器学习的模型如何高效地识别心脏病高风险人群，并使用可解释人工智能 (XAI) 方法解释这些预测背后的原因。数据集来自 Kaggle，并使用预处理技术来准备用于训练机器学习模型的数据。这些模型包括决策树、随机森林、逻辑回归、支持向量机 (SVM)、KNN 和朴素贝叶斯。结果表明，随机森林表现最佳，逻辑回归表现接近。SHAP 应用于 LR 模型，这提供了直观的解释。此外，通过利用不同的形状图，他们提供了关于特定特征如何影响机器学习模型的预测的关键见解，增强了透明度并使模型更易于理解。
心脏病预测中的可解释人工智能
主要关键词
相关文件推荐
