基于机器学习算法的脑卒中疾病早期预测模型研究

摘要：

采用支持向量机(SVM)、随机森林(RF)和逻辑回归(LR)等机器学习方法对脑卒中患者进行分类研究,构建脑卒中疾病预测模型,以期为疾病发生提供早期预警.对kaggle网站下载healthcare-dataset-stroke-data的数据通过SMOTE智能过抽样算法构建均衡数据集,运用支持向量机、随机森林和逻辑回归算法构建脑卒中预测模型.将SMOTE算法优化前后的预测结果进行比较分析,并采用支持向量机、随机森林和逻辑回归算法对优化后的数据集构建疾病预测模型,其结果的准确率、精确度、召回率和ROC值都有明显提高.仿真实验结果可知SMOTE+随机森林算法预测模型的准确率、精确度、ROC值都优于支持向量机和逻辑回归预测模型,可用于脑卒中疾病的早期预测,为医疗手段干预赢得时间,对降低脑卒中的发病具有重要意义.

关键词：脑卒中;机器学习;支持向量机;逻辑回归;随机森林;SMOTE算法

所属期刊栏目：49

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学青年项目;2020年湖南省学位与研究生教育改革研究项目;湖南中医药大学中医学国内一流建设学科开放基金;湖南中医药大学信息科学与工程学院电子科学与技术学科开放基金

在线出版日期：2021-12-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2180-2183,2247