Einfluss optimaler Hyperparameter auf die Leistung von Machine Learning-Algorithmen zur Vorhersage von Herzkrankheiten

Eine der schwierigsten Herausforderungen in der Medizin ist die frühzeitige Vorhersage von Herzkrankheiten. In dieser Studie wurden sechs Machine Learning (ML) Algorithmen, nämlich logistische Regression, K-nächste Nachbarn, Support Vector Machine, Entscheidungsbaum, Random Forest-Klassifikator und Extreme Gradient Boosting, verwendet, um zwei Datensätze zu Herzkrankheiten zu analysieren. Ein Datensatz war der UCI Kaggle Cleveland und der andere der umfassende UCI Kaggle Cleveland, Ungarn, Schweiz und Long Beach V. Die Leistungsergebnisse der Machine Learning-Techniken wurden erfasst. Die Support Vector Machine mit optimierten Hyperparametern erreichte die höchste Testgenauigkeit von 87,91 % für Datensatz-I und der Extreme Gradient Boosting-Klassifikator mit optimierten Hyperparametern erzielte die höchste Testgenauigkeit von 99,03 % für den umfassenden Datensatz-II. Die Neuheit dieser Arbeit war die Verwendung von Grid-Search-Kreuzvalidierung zur Verbesserung der Leistung in Form von Training und Test. Die idealen Parameter zur Vorhersage von Herzkrankheiten wurden durch experimentelle Ergebnisse identifiziert. Vergleichsstudien wurden ebenfalls mit bestehenden Studien zur Vorhersage von Herzkrankheiten durchgeführt, wobei der in dieser Arbeit verwendete Ansatz die Ergebnisse erheblich übertraf.