Heart Disease Prediction Using Decision Tree With Kaggle Dataset
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
심혈관질환은 심장질환과 혈관질환 등 순환기계통에 생기는 모든 질병을 통칭한다. 심혈관질환은2019년 사망의 1/3을 차지하는 전 세계 사망의 주요 원인이며, 사망자는 계속 증가하고 있다. 이와같은 질병을 인공지능을 활용해 환자의 데이터로 미리 예측이 가능하다면 질병을 조기에 발견해 치료할 수 있을 것이다. 본 연구에서는 심혈관질환 중 하나인 심장질환을 예측하는 모델들을 생성하였으며 Accuracy, Precision, Recall의 측정값을 지표로 하여 모델들의 성능을 비교한다. 또한 Decision Tree의 성능을 향상시키는 방법에 대해 기술한다. 본 연구에서는 macOS Big Sur환경에서 Jupyter Notebook으로 Python을 사용해 scikit-learn, Keras, TensorFlow 라이브러리를 이용하여 실험을 진행하였다. 연구에 사용된 모델은 Decision Tree, KNN(K-Nearest Neighbor), SVM(Support Vector Machine), DNN(Deep Neural Network)으로 총 4가지 모델을 생성하였다. 모델들의 성능 비교 결과 Decision Tree 성능이 가장 높은 것으로 나타났다. 본 연구에서는 노드의 특성배치를 변경하고 트리의 최대 깊이를3으로 지정한 Decision Tree를 사용하였을 때 가장 성능이 높은 것으로 나타났으므로 노드의 특성 배치 변경과 트리의 최대 깊이를 설정한 Decision Tree를 사용하는 것을 권장한다.
Abstract
All health problems that occur in the circulatory system are refer to cardiovascular illness, such as heart and vascular diseases. Deaths from cardiovascular disorders are recorded one third of in total deaths in 2019 worldwide, and the number of deaths continues to rise. Therefore, if it is possible to predict diseases that has high mortality rate with patient’s data and AI system, they would enable them to be detected and be treated in advance. In this study, models are produced to predict heart disease, which is one of the cardiovascular diseases, and compare the performance of models with Accuracy, Precision, and Recall, with description of the way of improving the performance of the Decision Tree(Decision Tree, KNN (K-Nearest Neighbor), SVM (Support Vector Machine), and DNN (Deep Neural Network) are used in this study.). Experiments were conducted using scikit-learn, Keras, and TensorFlow libraries using Python as Jupyter Notebook in macOS Big Sur. As a result of comparing the performance of the models, the Decision Tree demonstrates the highest performance, thus, it is recommended to use the Decision Tree in this study.
참고문헌 (14)
- Gregory A. Roth, "Global Burden of Cardiovascular Diseases and Risk Factors, 1990–2019: Update From the GBD 2019 Study", JOURNAL OF THE AMERICAN COLLEGE OF CARDIOLOGY, 76(25), pp.2982~3021 (2020)[DOI]
- "The importance of cardiovascular disease checkup"[URL]
- 손용정, "의사결정나무분석을 이용한 컨테이너 수출입 물동량 예측", 한국항만경제학회지, 28(4), pp.193~207 (2012), 한국항만경제학회
- 전유택, "모형 기반 하이브리드 의사결정나무", 한국데이터정보과학회지, 30(3), pp.515~524 (2019), 한국데이터정보과학회[DOI]
- Altman, N. S., "An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression", The American Statistician, 46(3), pp.175~185 (1992)[DOI]
- 이태우, "BLE Fingerprinting 환경에서 Hybrid Filter 구현을 통한 KNN 및 Feature Vector 성능검증", 한국통신학회논문지, 44(8), pp.1556~1565 (2019), 한국통신학회[DOI]
- 이경록, "GMM-supervector를 사용한 SVM 기반화자분류에 대한 연구", 전기전자학회논문지, 24(4), pp.1022~1027 (2020), 한국전기전자학회[DOI]
- 고정일, "SVM 기법을 적용한 구름베어링의 부식 고장진단", 한국기계가공학회지, 20(9), pp.35~41 (2021), 한국기계가공학회[DOI]
- 김양석, "결함유형별 최적 특징과 Support Vector Machine을 이용한 회전기계 결함 분류", 대한기계학회논문집 A, 34(11), pp.1681~1689 (2010), 대한기계학회
- 오원빈, "GTA 용접에서 DNN 알고리즘을 이용한 실시간 비드폭 예측에 대한 연구", 대한용접접합학회지, 38(6), pp.593~601 (2020), 대한용접접합학회[DOI]
- 김경곤, "진동신호를 이용한 CNG-디젤 이종연료 엔진 연소압력 예측 DNN 모델에서 천연가스 대체율 및 디젤 분사시기가 예측 정확도에 미치는 영향", 한국자동차공학회 논문집, 29(10), pp.909~919 (2021), 한국자동차공학회
- "Patient data from Kaggle"[URL]
- N. Srivastava, "Dropout: A simple way to prevent neural networks from overfitting", The Journal of Machine Learning Research, 15(1), pp.1929~1958 (2014)
- 이윤석, "파일 접근 행태의 LSTM 학습을 활용한 악성 코드 탐지 기법", 한국정보기술학회논문지, 18(2), pp.25~32 (2020), 한국정보기술학회[DOI]