Cardiovascular Disease Prediction: Employing Extra Tree Classifier-Based Feature Selection and Optimized RNN with Artificial Bee Colony
Notice bibliographique
Résumé
Cardiovascular disease (CVD) stands as the most widespread severe illness impacting human health on a global scale.Forecasting CVDs in advance becomes more and more crucial as CVDs increase exponentially every day.Deep Learning (DL) algorithms are selfadaptive to recognize patterns and analyze data more effectively in CVD prediction.Over the past few decades, many researchers and practitioners have examined different predictive algorithms, but most of those studies are based on small-sized datasets like less than 10,000 patient records.The major shortcomings of earlier research lie in its reliance on small-sized datasets, elevating the risk of overfitting.In contrast, our study addresses this limitation by utilizing Kaggle's cardiac dataset encompassing 70,000 patients and 11 features.The primary objective of this study is to minimize the risk of overfitting and accurately predict CVD by showcasing the effectiveness of using comprehensive datasets.This paper proposes a hybrid DL methodology by utilizing a Extra Tree Classifier with Artificial Bee Colony optimized Recurrent Neural Network (ETC-ABC-RNN) for accurate classification of CVDs with 96% accuracy.By measuring accuracy, precision, recall, and F1, the efficiency of the system is demonstrated.The outcomes demonstrated that the suggested methodology surpassed various methods in predicting heart 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».