پیش بینی بیماری قلبی با استفاده از ترکیب الگوریتم خوشه بندی kmodes و الگوریتم دسته بندی جنگل تصادفی

تشخیص درست بیماری نیازمند دقت و دانش زیادی است. تحقیقات زیادی در زمینه یادگیری ماشین برای تشخیص بیماری در سال های اخیر انجام شده است. در بین بیماری های موجود، بیماری قلبی اهمیت زیادی دارد. پیش بینی بهنگام بیماری قلبی می تواند از خطرات ناگهانی آن جلوگیری کند. اگرچه پیشرفت های زیادی در این زمینه بدست آمده اما هنوز نیازمند روشهایی است که بالاترین دقت را دارند. هدف این مقاله ارایه یک مدل جدید برای پیش بینی بیماری قلبی است. این مدل بر مبنای الگوریتم ترکیب خوشه بندی k-modes و الگوریتم جنگل تصادفی است. ابتدا داده ها پیش پردازش شده، با استفاده از الگوریتم k-modes خوشه بندی انجام شده است. نتیجه خوشه بندی برای دسته بندی به الگوریتم یادگیری ماشین مانند الگوریتم جنگل تصادفی و درخت تصمیم داده شده است. در بین این الگوریتم ها جنگل تصادفی بهترین نتیجه را داشته است. این مدل بر روی یک مجموعه داده مربوط به بیماری های قلبی عروقی که در مخزن دیتاست kaggle قرار دارد، ارزیابی شده است. این مجموعه داده 70000 نمونه دارد و هر نمونه 11 ویژگی دارد. دقت روش 74.58٪ است که نسبت به روش های پیشین دقت بهتری است. نتایج نشان می‌دهد که الگوریتم پیشنهادی می‌تواند یک سیستم موثر برای پیش‌بینی اولیه بیماری قلبی ارائه کند.