Diagnóstico Médico Eficiente de Enfermedades Cardíacas Humanas Utilizando Técnicas de Aprendizaje Automático Con y Sin GridSearchCV

Predecir enfermedades cardíacas se considera una de las tareas más desafiantes en el campo médico. Requiere mucho tiempo y esfuerzo determinar la causa, especialmente para médicos y otros expertos en medicina. En este artículo, varios algoritmos de Aprendizaje Automático como LR, KNN, SVM y GBC, junto con GridSearchCV, predicen enfermedades cardíacas. El sistema utiliza una técnica de validación cruzada de 5 pliegues para la verificación. Se presenta un estudio comparativo de estas cuatro metodologías. Los conjuntos de datos de Cleveland, Hungary, Switzerland, Long Beach V y UCI Kaggle se utilizan para analizar el rendimiento de los modelos. El análisis muestra que el Clasificador Extreme Gradient Boosting con GridSearchCV da las mayores y casi comparables precisiones de prueba y entrenamiento, del 100% y 99.03% para ambos conjuntos de datos (Hungary, Switzerland, Long Beach V y UCI Kaggle). Además, se encontró en el análisis que el Clasificador XGBoost sin GridSearchCV proporciona las mayores y casi comparables precisiones de prueba y entrenamiento, del 98.05% y 100%, para ambos conjuntos de datos (Hungary, Switzerland y Long Beach V y UCI Kaggle). Además, los resultados analíticos de la técnica propuesta se comparan con estudios previos de predicción de enfermedades cardíacas. Es evidente que, entre los enfoques propuestos, el Clasificador Extreme Gradient Boosting con GridSearchCV produce los mejores hiperparámetros para la precisión en la prueba. El objetivo principal de este artículo es desarrollar una técnica única de creación de modelos para resolver problemas del mundo real.