基于集成学习的冠心病风险预测模型研究

摘要：

近年来,冠心病患者人数不断增加,而集成学习具有良好的冠心病风险预测能力,可降低患者就医成本,提高冠心病筛查的效率.本文利用Kaggle平台公开的冠心病数据集,首先对数据集进行了预处理和特征指标筛选,并利用SMOTE算法对数据进行类别平衡,最终得到7010条数据;选取随机森林、XGBoost、LightGBM 3个集成学习算法,构建相应的冠心病风险预测模型,并利用贝叶斯优化算法对模型进行超参数调优,同时将数据以7:3的比例分为训练集与测试集进行模型训练与预测;最后,通过准确率、召回率、AUC等指标对3种模型的性能进行比较.结果显示3种集成学习算法预测模型性能均较好,其中LightGBM算法预测模型性能最为突出,验证了集成学习算法运用在冠心病风险预测方面的可行性.

关键词：冠心病、集成学习、贝叶斯优化、SMOTE、风险预测模型

所属期刊栏目：12

分类号：R541.4;TP181(心脏、血管（循环系）疾病)

在线出版日期：2022-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：8-13,19