Makine öğrenmesi kullanarak kalp hastalığı tahmini

Kalp hastalıkları şu anda dünya genelinde ölümlerin önde gelen nedenleri arasında yer almaktadır ve teşhisi giderek daha karmaşık bir süreç haline gelmiştir. Bu nedenle, hastalıkların hızlı teşhisi için makine öğrenimi tekniklerinin kullanılması önerilmektedir. Bu yaklaşım, hem doktorlar hem de hastalar için zaman tasarrufu sağlamayı amaçlamaktadır. Kalp hastalığı tahminine yönelik olarak farklı makine öğrenimi algoritmalarını içeren karşılaştırmalı bir çalışma gerçekleştirdik. Bu algoritmalar arasında lojistik regresyon, rastgele orman, karar ağacı, destek vektör makinesi (DVM), Naive Bayes ve k-en yakın komşular (KYK) bulunmaktadır. Rastgele orman, lojistik regresyon, karar ağacı, KYK, Naive Bayes ve DVM'nin doğruluk oranları sırasıyla %98, %78, %98, %60, %66 ve %63'tür. Bu çalışma, yalnızca bir yönteme değil, kalp hastalığı tahminine yönelik çeşitli yaklaşımları inceledi. Ayrıca, kalp hastalığına sahip hastalar için kullanılabilir bir veri seti üzerinde bagging, stacking ve boosting gibi topluluk öğrenme tekniklerini keşfettim. Bu tekniklerin bir araya getirilmesinin, tahminlerin doğruluğunu önemli ölçüde artırdığını gözlemledik. Stacking, bagging ve boosting için sırasıyla %98, %99 ve %97 doğruluk oranları elde ettik, bu da farklı tekniklerin birleştirilmesinin kalp hastalığı tahminlerini daha kesin hale getirebileceğini göstermektedir