机构名称：
¥ 1.0
摘要：治疗医疗数据的进步每天都会显着增长。准确的数据分类模型可以帮助确定患者疾病并诊断医疗领域的疾病严重程度，从而减轻医生的治疗负担。尽管如此，医疗数据分析列出了由于不确定性，各种测量和数据的高维度之间的相关性而引起的挑战。这些挑战负担统计分类模型。机器学习（ML）和数据挖掘方法已被证明在近年来有效地了解了这些方面的重要性。这项研究采用了名为决策树（DT）的众所周知的监督学习分类模型。dt是一种典型的树结构，由中央节点，连接的分支以及内部和末端节点组成。在每个节点中，我们都必须做出决定，例如基于规则的系统。这种类型的模型可帮助研究人员和医生更好地诊断疾病。为了降低所提出的DT的复杂性，我们使用特征选择（FS）方法探索了更简单的诊断模型，其因素较少。此概念将有助于减少数据收集阶段。在开发的DT和其他各种ML模型之间进行了比较分析，例如Logistic回归（LR），支持向量机（SVM）和Gaussian Naive Bayes（GNB），以证明已开发模型的有效性。DT模型的结果建立了93.78％的明显精度，ROC值为0.94，比其他算法比其他算法。开发的DT模型提供了有希望的结果，并可以帮助诊断心脏病。
心脏疾病诊断 - 使用 - 诊断 - 与...
主要关键词
相关文件推荐
