Vorhersage und Klassifikation von Herzkrankheiten mithilfe von maschinellen Lernalgorithmen, die durch Schwarmoptimierung und Ameisenkolonieoptimierung optimiert wurden

Die Vorhersage von Herzkrankheiten ist eines der Bereiche, in denen maschinelles Lernen implementiert werden kann. Optimierungsalgorithmen haben den Vorteil, komplexe nichtlineare Probleme mit guter Flexibilität und Anpassungsfähigkeit zu behandeln. In diesem Papier haben wir die Methode der schnellen korrelationsbasierten Merkmalsauswahl (FCBF) genutzt, um redundante Merkmale zu filtern, um die Qualität der Klassifikation von Herzkrankheiten zu verbessern. Anschließend führen wir eine Klassifikation basierend auf verschiedenen Klassifikationsalgorithmen wie K-Nearest Neighbour, Support Vector Machine, Naive Bayes, Random Forest und einem Multilayer Perception | Künstliches neuronales Netzwerk, optimiert durch Schwarmoptimierung (PSO) in Kombination mit Ansätzen der Ameisenkolonieoptimierung (ACO), durch. Der vorgeschlagene gemischte Ansatz wird auf einen Datensatz von Herzkrankheiten angewendet; die Ergebnisse zeigen die Wirksamkeit und Robustheit der vorgeschlagenen hybriden Methode bei der Verarbeitung verschiedener Datentypen zur Klassifikation von Herzkrankheiten. Daher untersucht diese Studie die verschiedenen maschinellen Lernalgorithmen und vergleicht die Ergebnisse unter Verwendung verschiedener Leistungsmaße, d.h. Genauigkeit, Präzision, Rückruf, f1-Score usw. Eine maximale Klassifikationsgenauigkeit von 99,65 % unter Verwendung des optimierten Modells, das von FCBF, PSO und ACO vorgeschlagen wurde. Die Ergebnisse zeigen, dass die Leistung des vorgeschlagenen Systems der der oben dargestellten Klassifikationstechnik überlegen ist.