Abstract
Жүрек-қан тамырлары ауруларын анықтау және болжау медицина саласындағы негізгі міндеттер болып табылады. Бұл процестер дұрыс жіктеуді қамтамасыз етеді, бұл өз кезегінде кардиологтарға пациенттерге қажетті емдеуді қамтамасыз етуге көмектеседі. Медицина саласында машиналық оқыту қосымшаларын қолданудың артуы байқалады, өйткені олар деректерді талдау негізінде заңдылықтарды анықтай алады. Жүрек-қан тамырлары ауруларын жіктеуде машиналық оқытуды қолдану қате диагноздар санын азайту арқылы дәрігердің жұмысын жеңілдетуге көмектеседі. Бұл зерттеудің мақсаты - өлімді азайту үшін жүрек-қан тамырлары ауруларын дәл болжай алатын модель жасау. Бұл мақалада жіктеу дәлдігін жақсарту мақсатында k-mod кластерлеу әдісі ұсынылды. Зерттеуде random forest (RF), decision tree classifier (DT), multilayer perceptron (MP) және XGBoost (XGB) сияқты әртүрлі модельдер қолданылды. Нәтижелерді оңтайландыру үшін GridSearchCV көмегімен қолданбалы модель параметрлерін баптау жүргізілді. Әзірленген модель 70 000 жазбадан тұратын Kaggle нақты деректер жиынтығына қолданылды. Модельдерді оқыту 80:20 қатынасында бөлінген мәліметтерде жүргізілді. Алынған дәлдік нәтижелері келесідей: decision tree үшін - 86,37% (айқас тексерумен) және 86,53% (онсыз), XGBoost үшін-86,87% (айқас тексерумен) және 87,02% (онсыз), random forest үшін-87,05% (айқас тексерумен) және 86,92% (онсыз), multilayer perceptron үшін - 87,28% (айқас тексерумен) және 86,94% (онсыз). Ұсынылған модельдер үшін AUC (қисық астындағы аймақ) мәндері келесідей: decision tree: 0,94, XGBoost: 0,95, random forest: 0,95, multilayer perceptron: 0,95. Зерттеу негізінде multilayer perceptron айқас тексеруді қолдана отырып, дәлдік тұрғысынан барлық басқа алгоритмдерден асып түсті деген қорытынды жасауға болады. Бұл модель дәлдіктің ең жоғары деңгейіне 87,28% жетті.