Evaluative Study of Machine Learning Classifiers in Predicting Heart Failure: A Focus on Imbalanced Datasets
Notice bibliographique
Résumé
Heart disease persistently remains a paramount health concern globally, necessitating early and precise detection for effective therapeutic intervention, particularly within the realm of cardiology.This study proposes a predictive model for heart failure, utilizing six distinct machine learning classification algorithms-Stochastic Gradient Descent (SGD), Logistic Regression (LR), Decision Tree (DT), AdaBoost, Support Vector Machine (SVM), and Random Forest (RF)-and assesses their performance on an imbalanced heart failure clinical record dataset obtained from Kaggle.Consisting of 299 observations, the dataset comprises 32.11% of instances resulting in death and 67.89% marking recovery or survival, thereby presenting a significant imbalance.This imbalance potentially contributes to a suboptimal prediction of the non-death instances.To address this issue, the Synthetic Minority Oversampling Technique (SMOTE) is employed.The performance of each classifier is evaluated using measures such as accuracy, precision, recall, and F-score.Experiments are conducted on the complete feature set and a selected subset of features, focusing particularly on highly correlated features.The results from these experiments are then juxtaposed with those derived using the comprehensive feature set.The outcome of these comparative analyses reveals superior performance by the RF algorithm over other tree-based and statistical-based models, thereby achieving enhanced accuracy.This study, therefore, presents an in-depth evaluation of machine learning algorithms in predicting heart disease, contributing significantly to the ongoing research in cardiology and machine learning.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».