TY -的A2 Kaluri Rajesh AU -艾哈迈德,Sumaira AU -谢赫,萨拉赫丁AU -伊Farwa盟——带着,默罕默德盟——Alwageed Hathal Salamah AU -汗,Faheem盟——Jaskani Fawwad哈桑PY - 2022 DA - 2022/12/23 TI -预测心血管疾病的Self-Augmented数据集的心脏病患者使用多个机器学习模型SP - 3730303六世- 2022 AB -每年全世界约有2600万人体验它的影响。心脏科医生和外科医生都很难确定何时将发生心力衰竭。分类和预测模型应用于医疗数据允许增强洞察力。改善心力衰竭投影是一个研究团队使用心脏病的主要目标数据集。心力衰竭的概率预计使用数据挖掘从医学数据库和机器学习方法处理。它已被证明,通过使用本研究和比较分析,心脏病可能预测精度高。在这项研究中,研究人员开发出一种机器学习模型来改善心力衰竭等疾病的准确性(高频)可能是预测。秩线性模型的准确性,我们发现逻辑回归(82.76%)、支持向量机(67.24%)、资讯(60.34%)、GNB(79.31%),和MNB(72.41)表现最好的。这些模型都是集成学习的例子,最准确的是ET(70.31%)、射频(87.03%),和GBC (86.21%)。DT(整体学习模型)达到最高程度的精度。 CatBoost outperforms LGBM, HGBC, and XGB, all of which achieve 84.48% accuracy or better, while XGB achieves 84.48% accuracy using a gradient-based gradient method (GBG). LGBM has the highest accuracy rate (86.21 percent) (hypertuned ensemble learning models). A statistical analysis of all available algorithms found that CatBoost, random forests, and gradient boosting provided the most reliable results for predicting future heart attacks. SN - 1687-725X UR - https://doi.org/10.1155/2022/3730303 DO - 10.1155/2022/3730303 JF - Journal of Sensors PB - Hindawi KW - ER -