عنوان الإطروحه |
Heart Disease Detection using Heterogeneous Ensemble Model
|
تاريخ مناقشة الاطروحه |
2023-01-04 |
اسم الطالب |
هيام ابراهيم عقله عليمات
|
المشرف |
نجاح مثقال علي الشنابله |
|
المشرف المشارك |
مازن سالم حمد الزيود
|
اعضاء لجنة المناقشة |
| فيصل سليمان صالح السقار |
| رباح محمد احمد الشبول |
| نوح الهنداوي |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
يعد التنبؤ بالأمراض أمراً مهماً لأنه يتعلق بحياة الإنسان ، خصوصاً إذا كان المرض يتعلق بالقلب. وفقًا لسجلات منظمة الصحة العالمية عام 2019، تظل أمراض القلب السبب الرئيسي للوفاة على مستوى العالم ، حيث تمثل 32 ? من جميع الوفيات. من هذه النقطة أظهرت أهمية التنبؤ المبكر بأمراض القلب.
تهدف هذه الدراسة إلى تطبيق نموذج التعلم الآلي التجميعي المهجن للتنبؤ بأمراض القلب من خلال الاختبارات الطبية الحيوية الخاصة بالمرضى.
حسب الدراسات السابقة ، حققت الأساليب الهجينة (Heterogeneous) والتجميعية (Ensemble) أداءً عاليًا في التعلم الآلي في السنوات الماضية وقدمت أداءً وحلولًا أفضل للمشكلات المعقدة. لذا حاولنا في هذه الدراسة رفع أداء نموذج التنبؤ بمرض القلب من خلال بناء نموذج مكون من كلا النموذجين الهجين والتجميعي حيث استخدمنا مجموعة بيانات تتضمن 303 سجل للمرضى و 14 ميزة بما فيها ال (Target).
قمنا أيضًا بتطبيق خوارزميات اختيار الميزات لاختيار أفضل متغيرات لتضمينه كجزء من النموذج. الميزات التي استخدمناها في التصنيف 11 ميزة حيث تم حذف ميزتين بواسطة خوارزميات تحديد الميزات. علاوة على ذلك ، تم اختيار خوارزميات تصنيف، NB، Adaboost و RF لبناء نموذج غير متجانس لإعطائها اعلى دقة تصنيف، للتنبؤ النهائي تم استخدام ال (Soft Voting).و للتقييم ، تم استخدام العديد من ادوات قياس التنبؤ للتحقق من أداء نموذج . أثبت النموذج أنه يعطي أداءً أفضل مقارنةً بالنماذج الفردية وبعض من الأبحاث السابقة حيث وصلت دقة النموذج إلى 95?
|
الملخص بالانجليزي |
Diseases prediction is critical because it concerns human lives, principally if the Disease relates to the heart. According to World Health Organization 2019 records, Heart disease remains the dominant cause of death globally, accounting for 32% of all deaths from all causes. From this point, the importance of the early prediction of heart disease appeared. This study aims to apply a heterogeneous Ensemble Machine Learning Model to predicate heart disease for patients by their bio-medical test records. Heterogeneous ensemble methods have achieved high performance in machine learning in the last years and provided better performance and solutions to complex and advanced problems alone.
In this study, we tried to increase the Heart disease prediction performance by building a model composed of both heterogeneous and Ensemble models. We used a dataset that includes 303 records and 14 features (the Target feature is included). We also applied a feature selection algorithm to choose the best variable to have as part of the model. The features we used in the classification are 11 features, where Feature selection algorithms eliminated 2. Furthermore, Adaboost, NB, and RF classification algorithms were chosen to build the Heterogeneous Model, and the final prediction was by heterogeneous methods ( Soft voting ) technique. For the evaluation, many prediction measurements were computed to verify the performance of the heterogeneous Ensemble model. The heterogeneous Ensemble model proved to give a better performance compared to single models and previous research, with yields of 95% Accuracy
|
رقم ISN |
7867 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|