改进的支持向量机在心脏病预测中的研究

摘要

应用支持向量机对心脏病患者和非心脏病患者的分类进行研究,构建心脏病预测模型,辅助医生进行心脏病诊断。选用径向基核函数构造支持向量机分类器,利用网格搜索与交叉验证相结合的方法对模型进行初步的优化,缩小参数寻优的取值范围,在此基础上使用粒子群优化算法(PSO)对模型进行进一步优化,得到模型最佳的惩罚因子C和核参数g。将优化前的支持向量机和参数优化后的支持向量机预测的结果进行比较,可看出优化后模型分类预测的结果得到了明显的提升,分类准确率提升到84.04%,灵敏度和特异度分别提升到92.73%和71.79%。通过对实验结果的观察,可看出该心脏病预测模型的分类准确率得到了提升,可应用于心脏病辅助诊断。