Une approche hybride pour la prédiction des maladies cardiaques en utilisant le AG-KNN

Abstract

Les maladies cardiaques sont l’une des principales causes de décès dans le monde. Cependant, il reste difficile pour les cliniciens de prédire les maladies cardiaques car il s’agit d’une tâche complexe et coûteuse. C’est pourquoi, ces dernières années de nombreux chercheurs vont vers l’intelligence artificielle avec ses différentes méthodes d’apprentissage automatique et d’apprentissage profond pour prédire les maladies des personnes avant qu’elles ne surviennent. Le but de cette étude est de proposer un système de prédiction des maladies cardiaques en utilisant l’algorithme d’apprentissage supervisé k-nearest neighbors (KNN) et gérer sa vulnérabilité par rapport au bruit des attributs non pertinents et redondants en utilisant l’algorithme génétique (AG). On l’a comparé avec d’autres approches d’apprentissage supervisées tel que Random Forest (RF), Decision Tree (DT), Logistic Regression (LR), Suppor Vector Machine (SVM) dans le but de montrer sa performance. En utilisant les données médicales « Cleveland Heart Disease dataset CHDD » pour l’entrainement et le test du modèle.