摘要：本文以实际医疗数据为应用对象，运用logistic、支持向量机、随机森林分类模型进行试验，对原始数据进行分析并做出预测。运用logistic、随机森林找到对患心脏病影响较大的因素，如家族性因素和累计吸烟量，进而提出有针对性的建议，并采用交叉验证法寻找支持向量机算法的最佳核函数和惩罚系数，得到最优分类模型。后对三个模型的分类效果进行比较，logistic回归模型的预测正确率为77．38％，模型结果可解释性强；支持向量机和随机森林模型的预测正确率为78．43％和79．21％。结果显示：非线性模型分类效果优于线性模型。支持向量机、随机森林模型计算简单、运行效率高，对高维大数据学习、预测能力强，训练时间短，且随机森林模型更兼顾了可解释性，克服了模型过拟合的问题，在心脏病等医疗诊断中有很大的应用潜力。
分类：期刊> 人文社会科学> 经济与管理科学> 宏观经济管理与可持续发展
关键词：支持向量机 logistic回归 随机森林 心脏病诊断
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
