ارزیابی مدلهای یادگیری ماشین برای پیش بینی نارسایی قلبی

در سال های اخیر، تکنیک های یادگیری ماشین به طور گسترده برای پیش بینی انواع بیماری ها از جمله مشکلات ریوی، خون، کبد و قلب مورد استفاده قرار گرفته اند. با توجه به نقش حیاتی قلب در سلامت انسان، این پژوهش به بررسی تطبیقی نارسایی قلبی با بهره گیری از الگوریتم های مختلف یادگیری ماشین می پردازد. در این مطالعه مدل های یادگیری ماشین شامل طبقه بند ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، رگرسیون لجستیک (LR)، درخت تصمیم (DT) و نزدیک ترین همسایه ها (KNN) بر اساس داده های واقعی استخراج شده از سایت Kaggle آموزش داده شده اند تا بیماران قلبی را پیش بینی و طبقه بندی کنند. نتایج حاصل نشان می دهد که مدل جنگل تصادفی عملکرد بهتری نسبت به سایر الگوریتم ها دارد. این پژوهش نقش مهمی در بهبود فرآیند تشخیص نارسایی قلبی ایفا می کند و اهمیت فناوری های هوش مصنوعی را در ارتقای روش های پیش بینی و مراقبت از بیماران برجسته می سازد.

کلیدواژه ها:

یادگیری ماشین ، نارسایی قلبی ، پیش بینی ، الگوریتم های یادگیری ماشین ، جنگل تصادفی