基于改进的LightGBM算法的心脏病预测方法

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：为了优化心脏病预测模型,选取比较流行的UCI心脏病数据集为研究对象,提出基于随机森林-递归特征消除法(RF-RFE)和LightGBM的混合算法——RF-RFE-LightGBM作为心脏病预测方法.其中,利用RF-RFE算法提取较重要的特征,去除对预测结果影响较小的特征,针对优化后的特征建立LightGBM模型进行预测,采用主流的模型评价指标进行评估.实验结果表明,RF-RFE-LightGBM算法的准确率、精度、召回率、F1 值、AUC值分别为 0.917 1、0.905 6、0.932 0、0.918 6 和 0.920 3,相比于其他算法建立的模型综合性能更优,具有一定的优势.

作者：

崔春燕、李宏滨

展开 >

作者单位：

太原师范学院计算机科学与技术学院山西晋中 030600

关键词：

随机森林递归特征消除法 UCI数据集 LightGBM 心脏病预测

出版年：

2024

DOI：

10.3969/j.issn.1672-9528.2024.09.009

信息技术与信息化

山东电子学会

信息技术与信息化

影响因子：0.29

ISSN：1672-9528

年,卷(期)：2024.(9)