بهبود کارائی الگوریتم‌های یادگیری ماشین در پیش ‌بینی بیماری‌های قلبی به کمک ساخت ویژگی‌های جدید مبتنی بر منطق فازی نوع 2 بازه‌ای

امروزه بیماری قلبی یکی از مهم‌ترین بیماری‌های رایج بین افراد جامعه و یکی از مهم‌ترین علل‌ مرگ و میر در سطح جهان می‌باشد. تشخیص و درمان این بیماری بخصوص با روش آنژیوگرافی بسیار هزینه‌بر و پر خطر برای جان بیمار است. بنابراین روش‌های هوش مصنوعی می‌تواند کمک شایانی به این حوزه پزشکی کند. هدف این پژوهش ساخت ویژگی‌های جدیدی با استفاده از تکنیک‌های فازی است تا به کمک این ویژگی‌های جدید بتوانیم مدلی هوشمند با دقت مناسب برای کمک به شناسایی و تشخیص بیماری قلبی با استفاده از روش‌ها و الگوریتم‌های یادگیری ماشین ارائه دهیم. در این تحقیق 9 ویژگی جدید برای مجموعه داده قلب دانشگاه کلیولند کالیفرنیا ساخته شده است که این ویژگی‌ها تاثیر بسزایی در ساخت مدل‌های هوشمند دارند. برای ساخت مدل‌ها از الگوریتم‌های درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان استفاده شده است که الگوریتم‌ جنگل تصادفی با دقت‌ 91.08% بالاترین دقت را دارد.