پیش بینی بیماری قلبی با رویکرد یادگیری ترکیبی

بیماریهای قلبی یکی از اصلی ترین علل مرگ و میر در جهان هستند و تشخیص زودهنگام آنها نقش مهمی در بهبود پیامدهای درمانی دارد. با وجود پیشرفتهای قابل توجه در استفاده از مدلهای یادگیری ماشین بسیاری از روشهای موجود همچنان با مسائلی مانند بیش برازش، ناپایداری عملکرد و ضعف در تعمیم پذیری مواجه اند. در این پژوهش با هدف ارتقای دقت و پایداری پیش بینی یک چارچوب یادگیری ترکیبی مبتنی بر معماری Stacking طراحی و پیاده سازی شده است. برای تحقق این هدف، مراحل پیش پردازش شامل مدیریت داده های گم شده، تعادل سازی کلاس ها و انتخاب ویژگی مبتنی بر آزمون کای دو به منظور شناسایی متغیرهای اثرگذار انجام شد. در ادامه مجموعه ای از الگوریتم های یادگیری ماشین شامل RF، SVM، DT، KNN، LR، Gradient Boosting، LightGBM، NE AdaBoost، XGBoost همراه با بهینه سازی ابر پارامترها مورد ارزیابی قرار گرفتند. در مرحله بعد یک مدل ترکیبی مبتنی بر معماری Stacking طراحی شد که در آن پنج الگوریتم به عنوان یادگیرنده های پایه و الگوریتم XGBoost به عنوان فرامدل برای ترکیب بهینه خروجی ها به کار گرفته شد. نتایج نشان داد مدل پیشنهادی با دقت ۹۳ درصد، امتیاز F۱ ۹۱.۵۸ و مقدار ۹۶.۷۱ AUC عملکردی برتر از مدل های منفرد ارائه می دهد. این یافته ها بیانگر آن است که بهره گیری از معماری Stacking می تواند به طور معنادار دقت، پایداری و قابلیت تعمیم مدل های پیش بینی بیماری قلبی را بهبود بخشد.

کلیدواژه ها:

بیماری قلبی ، یادگیری ترکیبی ، پیش بینی بیماری ، یادگیری ماشین ، انتخاب ویژگی