基于GBM的特征选择在心脏病预测中的研究

摘要：

心脏病患者的人数逐年增多,死亡率居高不下,因此许多学者对基于机器学习的患病人群识别方法进行了研究,但由于心脏病数据的特征过多,构建的模型参数较多,往往导致训练时间过长.因此提出一种利用梯度提升机算法(GBM)对已有的特征选择算法进行改进,在通过减少特征数量实现缩短训练时间的同时,对心脏病患者的预测准确率也得到了提升.首先,采用遗传算法(GA)和基于相关性的特征选择(CFS)进行特征降维,并选出备选特征子集;其次,提出利用GBM实现对模型预测无关特征的筛除;最后,采用支持向量机(SVM)和K近邻算法(KNN)进行准确率预测.实验表明:当预测模型为SVM时,GBM对GA和CFS的综合评价指标的提升分别达到了9.89%和2.2%;当预测模型为KNN时,GBM对GA和CFS的综合评价指标的提升分别达到了7.7%和2.2%,并且GA+GBM在SVM上的表现最好,达到了84.62%,能够有效地提升医疗诊断的效率.

关键词：特征选择、遗传算法、梯度提升机、支持向量机、CFS、KNN、心脏病预测、boosting

所属期刊栏目：46

分类号：TN911.1-34;TP301

在线出版日期：2023-10-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：101-106