Ensemble model pro diagnostiku srdečních chorob

Abstract

Vývoj ensemble modelu pro diagnózu srdečních chorob se v posledních letech stává stále populárnějším přístupem díky schopnosti zvýšit přesnost a robustnost tradičních modelů strojového učení. Tato práce představuje studii vývoje a hodnocení ensemble modelu pro diagnózu srdečních chorob. Navrhovaný model využívá několik algoritmů strojového učení, včetně KNN, logistické regrese, vícevrstvého perceptronu (MLP_ANN) a metody podpůrných vektorů, tak aby spojil vlastnosti každého jednotlivého algoritmu a dosáhl přesnějšího výsledky. Výběr features zahrnuje metody chi-kvadrát a informační zisk a výkonnost modelu je hodnocena pomocí standardních metrik. Výsledky ukazují, že ensemble model dosahuje lepších výsledků než tradiční jednotlivé modely a dosahuje vyšší úrovně přesnosti při diagnostice srdečních chorob. Ensemble model také projevuje vylepšenou robustnost, což je klíčové pro aplikace v reálném světě. Tato práce tak poskytuje cenné poznatky pro možný vývoj efektivnějších nástrojů pro diagnostiku srdečních chorob v budoucnosti.