通过使用 PCA 降维和混合遗传算法 (HGA) 进行数据聚类,本论文提出的方法可以以 94.06%的准确度预测早期心脏病,主要关键词为心脏病,UCI 机器学习,主成分分析,混合遗传算法和早期检测。
Jan, 2021
医疗行业产生大量复杂临床数据,数据挖掘技术在诊断和预测医学数据集中的隐藏模式和知识方面表现出高效性和准确性,并且分类算法中的随机森林以 99.24% 的准确率被证明是预测心脏病的最佳算法。
Dec, 2023
该研究使用基于机器学习算法的集成分类器框架,结合多种性能度量方法,对一个包含多国心血管疾病个体的大型数据集进行研究,获得了 92.34% 的准确率,较现有研究表现更佳。
Jun, 2023
本研究建立了一个基于机器学习的诊断系统用于心脏疾病预测,使用了包括 RF、MLP、KNN、ETC、XGB、SVC、ADB、DT 和 GBM 在内的九种分类算法和八种分类器性能评估指标,并通过一个堆叠式集成方法来评估临床决策支持系统的影响。
Apr, 2023
本文利用 DNA 位点级别上所采集的单核苷酸多态性(SNPs)数据,从数据科学的视角探讨了冠状动脉疾病的预测。研究中介绍了两种常用的监督学习算法和二维降维技术,分别进行了误差比较分析,结果表明新方法随机森林预测模型的准确率和 ROC 曲线的面积都比传统方法更优。
Feb, 2014
利用机器学习的集成方法在智能医疗监测系统中设计出一种电子诊断工具来诊断冠心病,结果表明集成分类器中的多层感知机、随机森林和 AdaBoost 是最优的,达到了 88.12% 的准确率,而且比其他所有分类器都表现更好。
Oct, 2022
这项研究利用支持向量机等机器学习技术分析疾病调查数据,通过实验结果发现该数据可在高达 80% 的准确率下预测心脏病,同时对数据进行特征选择可缩短调查时间 77%。
May, 2023
该研究论文提出使用深度学习方法和特征增强技术评估患者是否有心血管疾病的风险,其结果优于其他最先进方法 4.4%,精度达到 90%,对于影响大量人口的疾病而言,这是一个显著的改进。
Feb, 2024
本文介绍了如何利用区块链技术和机器学习算法来改善心脏病预测的准确性和患者数据的安全性,以及对于缺乏医疗卫生基础设施而言,如何对血压、胆固醇、体重和吸烟等关键因素进行监测和干预以提高治疗效果。
本研究使用机器学习技术构造了三个融合模型,在心脏病数据集上进行训练和预测,其中包括人工神经网络、支持向量机、逻辑回归、决策树、随机森林和 AdaBoost 等六种算法,以预测心血管疾病的出现和严重程度,实验结果表明,这三个融合模型具有良好的分类性能,多类分类的最高准确率为 75%,二类分类的最高准确率为 95%。
Mar, 2022