Ensemble model pro diagnostiku srdečních chorob

Olasunkanmi Julius Awotimehin

Master's thesis

Development of Ensemble Model for Heart Disease Diagnosis

Abstract:

Development of an ensemble model for diagnosing heart diseases has become increasingly popular in recent years due to its ability to enhance the accuracy and robustness of traditional machine learn-ing models. This study presents the development and evaluation of an ensemble model for diagnos-ing heart diseases. The proposed model utilizes several machine learning algorithms, including KNN, logistic regression, multilayer perceptron (MLP_ANN), and support vector machines, to combine the strengths of each algorithm and achieve more accurate results. Feature selection methods, such as chi-square and information gain, are employed, and the performance of the model is evaluated using standard metrics. The results demonstrate that the ensemble model outperforms individual tradition-al models and achieves higher accuracy in diagnosing heart diseases. The ensemble model also ex-hibits improved robustness, which is crucial for real-world applications. This work provides valuable insights for the potential development of more efficient tools for diagnosing heart diseases in the future.

Abstract:

Vývoj ensemble modelu pro diagnózu srdečních chorob se v posledních letech stává stále populárnějším přístupem díky schopnosti zvýšit přesnost a robustnost tradičních modelů strojového učení. Tato práce představuje studii vývoje a hodnocení ensemble modelu pro diagnózu srdečních chorob. Navrhovaný model využívá několik algoritmů strojového učení, včetně KNN, logistické regrese, vícevrstvého perceptronu (MLP_ANN) a metody podpůrných vektorů, tak aby spojil vlastnosti každého jednotlivého algoritmu a dosáhl přesnějšího výsledky. Výběr features zahrnuje metody chi-kvadrát a informační zisk a výkonnost modelu je hodnocena pomocí standardních metrik. Výsledky ukazují, že ensemble model dosahuje lepších výsledků než tradiční jednotlivé modely a dosahuje vyšší úrovně přesnosti při diagnostice srdečních chorob. Ensemble model také projevuje vylepšenou robustnost, což je klíčové pro aplikace v reálném světě. Tato práce tak poskytuje cenné poznatky pro možný vývoj efektivnějších nástrojů pro diagnostiku srdečních chorob v budoucnosti.

Keywords

Ensemble model, Diagnóza srdečních chorob, Algoritmy strojového učení, KNN, Logistická regrese, Vícevrstvý perceptron (MLP_ANN), Metoda podpůrných vektorů, Feature selekce, Chi-kvadrát, Informační zisk.

Language used: English

Date on which the thesis was submitted / produced: 26. 5. 2023

Thesis defence

• Supervisor: prof. Ing. Roman Šenkeřík, Ph.D.

Tomas Bata University in Zlín

Faculty of Applied Informatics

Master programme / field:
Engineering Informatics / Information Technologies