Heart Disease Prevention Using Machine Learning Algorithms

Simple item page
dc.contributor.author SKLAVOUNOS, DIMITRIOS
dc.contributor.author MAVRIDOU, PANAGIOTA
dc.contributor.editor 2nd International Rehabilitation Conference
dc.date.accessioned 2024-04-12T10:48:46Z
dc.date.available 2024-04-12T10:48:46Z
dc.date.issued 2022
dc.identifier.uri https://dspace.mitropolitiko.edu.gr/handle/123456789/3010
dc.language.iso en
dc.title Heart Disease Prevention Using Machine Learning Algorithms
dspace.entity.type
local.author.brthdt 1966
local.author.email dsklavounos@mitropolitiko.edu.gr
local.author.phone 67937021801
local.campus Metropolitan College Campuses::ΜΑΡΟΥΣΙ
local.faculty Metropolitan College Faculties::ΣΧΟΛΗ ΠΛΗΡΟΦΟΡΙΚΗΣ
local.mclink https://www.mitropolitiko.edu.gr/
local.sdg Sustainable Development Goals::Καμία Αναφορά στους Στόχους Βιώσιμης Ανάπτυξης (SDGs) των Ηνωμένων Εθνών
local.specialty Metropolitan College Specialties::COMPUTING
local.supervisor ΣΚΛΑΒΟΥΝΟΣ ΔΗΜΗΤΡΙΟΣ
local.thesis.elauthor ΣΚΛΑΒΟΥΝΟΣ, ΔΗΜΗΤΡΙΟΣ, ΧΡΗΣΤΟΣ
local.thesis.elkeywords Data Mining, Machine Learning, Supervised Learning, Heart Disease Prediction, Random Forest, SVM, Adaptive Boosting
local.thesis.elsummary Σήμερα, τα δεδομένα θεωρούνται ευρέως ως το πολυτιμότερο περιουσιακό στοιχείο όσον αφορά τη λήψη αποφάσεων. Είναι, επομένως, απαραίτητο να εφαρμοστούν μέθοδοι και τεχνικές για την αποτελεσματική αξιοποίηση του όγκου των δεδομένων που παράγονται καθημερινά. Οι τεχνικές εξόρυξης δεδομένων και μηχανικής μάθησης (ML) χρησιμοποιούνται πλέον σε διάφορες τομείς, όπως οι επιχειρήσεις, το ηλεκτρονικό εμπόριο, οι τράπεζες και η υγειονομική περίθαλψη, προσφέροντας τεράστιες δυνατότητες για το μέλλον. εφαρμογές. Η παρούσα εργασία είναι μια ανάλυση της πρόβλεψης καρδιακών παθήσεων με τη χρήση τεχνικών εξόρυξης δεδομένων και αλγορίθμων μηχανικής μάθησης. Το σύνολο δεδομένων επιβλεπόμενης μάθησης αποτελείται από 11 διαφορετικά χαρακτηριστικά που χρησιμοποιούνται για την πρόβλεψη του κατά πόσον ένας ασθενής πάσχει από καρδιακή νόσο ή όχι. Τρεις διαφορετικοί μηχανισμοί μηχανικής μάθησης αλγόριθμοι χρησιμοποιούνται για την ανάπτυξη των μοντέλων ταξινόμησης: Μηχανή διανυσμάτων υποστήριξης, και Adaptive Boosting. Μετά από συγκριτική ανάλυση, αποδεικνύεται ότι ο αλγόριθμος Adaptive Boosting έχει την υψηλότερη ακρίβεια στην πρόβλεψη καρδιακών παθήσεων με ακρίβεια 94%.
local.thesis.eltitle Πρόληψη καρδιακών παθήσεων με χρήση Αλγορίθμων Μηχανικής Μάθησης
local.thesis.ensummary Nowadays, data is widely regarded as the most valuable asset in terms of decision-making. It is, therefore, essential to implement methods and techniques to effectively utilise the volumes of data generated on a daily basis. Data mining and machine learning (ML) techniques are now used in various fields, such as business, e-commerce, banking, and healthcare, offering enormous potential for future applications. The present work is an analysis of heart disease prediction using data mining techniques and machine learning algorithms. The supervised learning dataset consists of 11 different features that are used to predict whether a patient has heart disease or not. Three different machine learning algorithms are used to develop the classification models: Random Forest, Support Vector Machine, and Adaptive Boosting. After a comparative analysis, it is shown that the Adaptive Boosting algorithm has the highest accuracy in predicting heart disease with an accuracy of 94%.
local.thesis.fieldofscience MACHINE LEARNING - ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ
local.thesis.graphs 6
local.thesis.images 0
local.thesis.maps 0
local.thesis.pages 8
local.thesis.tables 3
local.university Metropolitan College Collaborating Universities::UEL
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Mavridou REVISED(2).pdf
Size:
494 KB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
6.99 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Δημοσιεύσεις σε συνέδρια