心疾患の早期発見に関する生存率のためのKフォールド交差検証を使用したAdaBoostアンサンブル手法

技術の向上に伴い、心疾患診断のためのさまざまな特徴が収集されています。大規模データセットには、ストレージ容量の限界や長いアクセスおよび処理時間などのいくつかの欠点があります。医療治療において、心臓の問題の早期診断は重要です。心疾患は、先進国および発展途上国で急速に増加している壊滅的な人間の病です。この病気は、心臓が通常、さまざまな身体の部分に十分な血液を供給できず、正常な機能を果たすことができない状態です。この状態の早期かつ適切な診断は、さらなる損傷を防ぎ、患者の命を救うために非常に重要です。本研究では、機械学習（ML）を用いて、ある人が心疾患を患っているかどうかを判断します。同研究では、同質および異質の分類器（2つの別々の分類器を組み合わせて形成される）の両方のタイプのアンサンブル分類器を実装しました。クラスの不均衡問題とノイズに対処するため、合成少数オーバーサンプリング技術（SMOTE）を使用したデータマイニングの前処理が行われています。提案された作業は2つのステップから構成されています。最初のフェーズではSMOTEを使用してデータの不均衡の影響を軽減し、2番目のフェーズではナイーブベイズ（NB）、決定木（DT）アルゴリズム、およびそのアンサンブルを使用してデータを分類します。実験結果は、AdaBoost-Random Forest分類器が心疾患の早期発見で95.47%の精度を提供することを示しています。