基于TSGWO-RF-SVM的心脏病风险预测

摘要

针对现有心脏病预测中特征因素太多，难以挖掘各特征与心脏病风险之间的映射关系，心脏病风险预测模型准确度较低的问题.提出一种混合预测模型：通过随机森林(RF)算法从原始数据集中选取最佳特征子集，且最大限度地降低特征子集的冗余性；改进了灰狼算法(GWO)的初始种群生成、收敛因子和位置更新方式，提高了GWO的全局搜索能力；利用改进灰狼算法(TSGWO)对支持向量机(SVM)参数进行优化，建立心脏病风险预测模型，对心脏病数据集实例进行预测研究.结果表明，该文TSGWO优化的SVM预测效果优于其他对比模型，准确率为0.815 6,召回率为0.872 3,F1分数为0.836 7.研究提高了心脏病发病风险的预测准确率，具有广阔的应用前景，为医疗机构的心脏病风险预警分析提供重要参考.

关键词

心脏病风险预测 / 改进的灰狼算法 / 支持向量机 / Tent混沌映射 / Sigmoid函数