Datizraces/datu analīzes metožu pielietošana veselības aprūpes rezultātu prognozēšanā

Abstract

Šī bakalaura darba mērķis ir izpētīt četru populāru datu analīzes metožu efektivitāti, piemēram, loģistiskā regresija, lēmumu koki, izlases meži un atbalsta vektoru ierīces (SVM). Šis darbs tiek veikts, lai prognozētu sirds slimību klātbūtni, kā arī lai sīkāk izpētītu un novērtētu izvēlētās metodes. Izmantojot plašu datu kopu, kurā iekļauti tādi mainīgie lielumi kā vecums, dzimums, asinsspiediens un holesterīna līmenis, pētījuma mērķis ir rūpīgi novērtēt katras metodes veiktspēju, salīdzinot precizitāti, saprotamību un skaitļošanas efektivitāti. Pētījuma galvenais mērķis ir noteikt optimālo datu ieguves pieeju, ko veselības aprūpes speciālisti varētu izmantot dažādos gadījumos, kad nepieciešams pieņemt lēmumus, cerot sniegt vērtīgu ieguldījumu mašīnmācīšanās praktiskajā pielietojumā medicīnas diagnostikā.

This bachelor thesis aims to explore the effectiveness of four popular data analytics techniques such as: Logistic Regression, Decision Trees, Random Forests and Support Vector Machines (SVM). This work is done in order to predict the presence of heart disease, and in order to research and evaluate the selected techniques. By utilizing a comprehensive dataset that includes variables such as age, gender, blood pressure, and cholesterol levels, the study thoroughly aims to evaluate every method's performance, by comparing accuracy, interpretability, and computational efficiency. The research’s main aim is to identify the optimal data mining approach for healthcare practitioners to use in different cases where decision-making is needed, in hopes of contributing valuable insights into the practical applications of machine learning in medical diagnostics.