Abstract
В этом исследовании рассматриваются различные подходы ма-шинного обучения для анализа факторов, способствующих развитию сердечно-сосу-дистых заболеваний. При создании моделей прогнозирования были применены два метода- XGBoost и сверточная нейронная сеть (CNN). Особое внимание уделялось оценке производительности каждой модели в задачах классификации и регрессии, а также способности выявлять ключевые биомаркеры и факторы риска, включая хо-лестерин, ферритин, гомоцистеин и аспартатаминотрансферазу (AST). Параметры XGBoost были адаптированы под табличные данные, что позволило достичь высокой точности предсказаний риска. В то же время, несмотря на быстрое снижение ошибки на обучающем наборе, модель CNN продемонстрировала признаки переобучения при