Risk Assessment of Cardiovascular Diseases Using kNN and Decision Tree Classifier
Notice bibliographique
Résumé
As per the information provided by WHO, most of the people die from the cardiovascular disease. In 2019, almost 32% of the global deaths were due to cardiovascular diseases, out of which 85% were because of heart attacks and strokes. Hence, it is very important to predict the chances and risk of cardiovascular disease event, to prevent any damage in future. Cardiovascular diseases are the disorders of blood vessels supplying blood to heart, brain and different parts of the body. There are different causes of cardiovascular diseases, which can be quantified with the help of different features and with supporting attributes like age of the person, any diseases like diabetes, blood pressure etc., the risk of the cardiovascular disease can be assessed to prevent the further losses. Machine learning approach is very useful in these circumstances, where quantified data values are available in terms of data set. Machine learning techniques can be used to find the risk of cardiovascular disease. Here, we are proposing to use the two machine learning classifiers such as kNN and decision tree. kNN helps us to find the possibility of cardiovascular disease and decision tree helps us to classify the type of the cardiovascular disease with the risk involved. This approach is very useful, as decision tree is one of the most accurate classifiers, which also helps us to identify the specific cardiovascular disease that can be the future event based on feature values. This proposed methodology is justified with proper research gap stating the important of the proposed architecture and implementation results, which gives effective way for assessing the risk of cardiovascular disease.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».