چکیده مقاله
بیماری های قلبی_عروقی از مهم ترین علل مرگ ومیر در جهان به شمار می روند و تشخیص دقیق و به موقع آن ها نقش بسزایی در کاهش تلفات انسانی و بهبود فرآیند درمان دارد در این پژوهش، با هدف افزایش دقت پیش بینی بیماری قلبی، از دیتاست معتبر Cleveland استفاده شده است رویکرد پیشنهادی مبتنی بر تلفیق انتخاب ویژگی به روش RFE Recursive Feature Elimination و بهینه سازی پارامترهای مدل XGBoost با استفاده از الگوریتم Bayesian Optimization است نتایج تجربی نشان می دهد که مدل پیشنهادی با استفاده از مجموعه ویژگی های منتخب، به دقت ۸۶ ۶۷%، امتیاز F۱ برابر با ۸۴ ۰۰% و مقدار ROC AUC معادل ۹۴ ۰۰% دست یافته است مقایسه نتایج با پژوهش های پیشین مبتنی بر دیتاست Cleveland و الگوریتم هایی نظیر PSO، روش های Ensemble و مدل های مبتنی بر انتخاب ویژگی، حاکی از برتری مدل پیشنهادی در تمامی شاخص های کلیدی ارزیابی به ویژه ROC AUC است این نتایج بیانگر اثربخشی ترکیب انتخاب ویژگی و بهینه سازی پارامترها در چارچوب XGBoost بوده و می تواند به عنوان گامی موثر در توسعه سامانه های تصمیم یار هوشمند برای تشخیص زودهنگام بیماری های قلبی_عروقی در مراکز درمانی مورد استفاده قرار گیرد
کلیدواژهها
نویسندگان
سهیل جعفری
۱ کارشناسی ارشد مهندسی کامپیوتر_گرایش هوش مصنوعی و رباتیک
کیانا علی مددی
۲ کارشناسی ارشد مهندسی کامپیوتر_گرایش هوش مصنوعی و رباتیک
شیوه ارجاع
�عفری، سهیل و علی مددی، کیانا،1404،تشخیص بیماری قلبی عروقی با استفاده از XGBoost و الگوریتم Bayesian Optimization،بیست و نهمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک،شیروان
ارائهشده در
مجموعه مقالات بیست و نهمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک28 بهمن 1404 · شیروان