基于改进的LightGBM算法的心脏病预测方法
崔春燕
李宏滨
太原师范学院计算机科学与技术学院 山西晋中 030600
摘要：为了优化心脏病预测模型,选取比较流行的UCI心脏病数据集为研究对象,提出基于随机森林-递归特征消除法(RF-RFE)和LightGBM的混合算法——RF-RFE-LightGBM作为心脏病预测方法.其中,利用RF-RFE算法提取较重要的特征,去除对预测结果影响较小的特征,针对优化后的特征建立LightGBM模型进行预测,采用主流的模型评价指标进行评估.实验结果表明,RF-RFE-LightGBM算法的准确率、精度、召回率、F1 值、AUC值分别为 0.917 1、0.905 6、0.932 0、0.918 6 和 0.920 3,相比于其他算法建立的模型综合性能更优,具有一定的优势.
关键词：随机森林递归特征消除法UCI数据集LightGBM心脏病预测
论文发表日期：2024-09-28
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 39-42 )