基于Bayes超参数优化梯度提升树的心脏病预测方法

摘要

针对传统机器学习算法在数据集Cleveland和Hungary上预测准确率低的问题，提出一种基于Bayes超参数优化梯度提升树的心脏病预测方法.首先，采用K-最近邻算法对数据集中的缺失值进行填补，用Min-Max标准化、 One-Hot编码处理数据，并基于梯度提升树算法进行心脏病预测；其次，采用Bayes优化和十倍交叉验证的方式搜寻算法的最佳超参数组合.实验结果表明，优化后的梯度提升树算法在心脏病数据集Cleveland上预测准确率可达90.2%,在心脏病数据集Hungary上预测准确率可达81.4%,优于决策树、支持向量机、K-最近邻等传统机器学习方法，可辅助医生进行心脏病诊断.

关键词

心脏病预测 / K-最近邻算法 / 梯度提升树 / Bayes优化