基于改进的LightGBM算法的心脏病预测方法

为了优化心脏病预测模型,选取比较流行的UCI心脏病数据集为研究对象,提出基于随机森林-递归特征消除法(RF-RFE)和LightGBM的混合算法——RF-RFE-LightGBM作为心脏病预测方法。其中,利用RF-RFE算法提取较重要的特征,去除对预测结果影响较小的特征,针对优化后的特征建立LightGBM模型进行预测,采用主流的模型评价指标进行评估。实验结果表明,RF-RFE-LightGBM算法的准确率、精度、召回率、F1值、AUC值分别为0.917 1、0.905 6、0.932 0、0.918 6和0.920 3,相比于其他算法建立的模型综合性能更优,具有一定的优势。