Back to search

National and Kapodistrian University of Athens

Machine learning approaches for heart disease classification and implementation in python

Abstract

dc:description

ΠΕΡΙΛΗΨΗ Η παρούσα διπλωματική εργασία διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης για την πρόβλεψη της εμφάνισης καρδιακής νόσου, χρησιμοποιώντας ένα σύνολο δεδομένων, που αποκτήθηκε από την ιστοσελίδα Kaggle, το οποίο αποτελείται από έντεκα μεταβλητές καθώς και τη δυαδική μεταβλητή στόχου που δηλώνει την παρουσία καρδιακής νόσου. Η μελέτη ξεκινά με διερευνητική ανάλυση των δεδομένων με στόχο την κατανόηση των μεταβλητών του συνόλου δεδομένων. Κάθε μεταβλητή εξετάζεται ξεχωριστά ώστε να αποκτηθούν γνώσεις σχετικά με την κατανομή τoυς και να εντοπιστούν πιθανά έκτοπα σημεία. Στη συνέχεια, αξιολογείται η στατιστική σημαντικότητα των μεταβλητών μέσω των p-values, ακολουθούμενη από αξιολόγηση των συσχετίσεων, ανά ζεύγη μεταβλητών, για τον εντοπισμό τυχόν ισχυρών συσχετίσεων ή πολυσυγγραμικότητας. Επιπλέον, εξετάζεται η σημαντικότητα κάθε μεταβλητής σε σχέση με τη μεταβλητή στόχου. Έξι αλγόριθμοι μηχανικής μάθησης, συμπεριλαμβανομένων των κ-Κοντινότερων Γειτόνων, των ταξινομητών Naive Bayes (Gaussian και Bernoulli), της Λογιστικής παλινδρόμησης, του Δέντρου Αποφάσεων και του Τυχαίου Δάσους, υλοποιούνται σε περιβάλλον της γλώσσας προγραμματισμού Python. Δεδομένης της φύσης του προβλήματος, δίνεται έμφαση στη βελτιστοποίηση αλγορίθμων με βάση την ανάκληση, δίνοντας έτσι προτεραιότητα στην σύλληψη θετικών περιπτώσεων (ατόμων που έχουν καρδιακή πάθηση). Για την αξιολόγηση της απόδοσης των αλγορίθμων χρησιμοποιούνται μετρικές αξιολόγησης όπως η Ανάκληση, η Ακρίβεια, ο Αρμονικός Μέσος F1, και η Ορθότητα. Τα αποτελέσματα των προαναφερθέντων αλγορίθμων αποκάλυψαν ότι οι αλγόριθμοι ταξινομούν αποτελεσματικά τις περιπτώσεις καρδιακής νόσου. Πιο συγκεκριμένα, ξεχώρισε το μοντέλο "Τυχαίο Δάσος", όπου εμφάνισε υψηλές βαθμολογίες στο σύνολο δεδομένων δοκιμής (Test Dataset), με Aκρίβεια 89,0% και Ανάκληση 90,3%. Παρόμοια υψηλά αποτελέσματα παρουσίασε και το μοντέλο "κ-Κοντινότερων Γειτόνων " με Ακρίβεια 89,3% και Ανάκληση 91,7%. Είναι σημαντικό να σημειωθεί ότι η παρούσα μελέτη προσεγγίζεται από τη σκοπιά ενός αναλυτή δεδομένων, ως εκ τούτου, τονίζεται ότι δεν παρέχονται ιατρικές συμβουλές. Αναγνωρίζοντας τους περιορισμούς λόγω της απουσίας ιατρικής γνώσης, η παρούσα εργασία υπογραμμίζει τη σημασία της συνεργασίας μεταξύ αναλυτών δεδομένων, επιστημόνων δεδομένων και ιατρών, για την ανάπτυξη ισχυρών μοντέλων μηχανικής μάθησης. Μια τέτοια συνεργασία δύναται να συμβάλλει στην πρόοδο των μεθοδολογιών πρόβλεψης καρδιακών παθήσεων και να ενισχύσει την αποτελεσματικότητά τους.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Κουκάς Αθανάσιος
  • Koukas Athanasios

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3421564

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Κουκάς Αθανάσιος; Koukas Athanasios. Machine learning approaches for heart disease classification and implementation in python. 2024. https://pergamos.lib.uoa.gr/uoa/dl/object/3421564