Daten exploration und maschinelles Lernen mit R

Herz-Kreislauf-Erkrankungen sind heutzutage in jeder Altersgruppe von Patienten verbreitet. Eine frühzeitige Vorhersage kann dabei helfen, einen gesunden Lebensstil zu pflegen, so dass das hohe Risiko einer Lebensbedrohung vermieden werden kann. Die Forscher sind ständig dabei, Verbindungen zu bestehenden Datenquellen zu finden, damit Herzkrankheiten in einem frühen Stadium vorhergesagt werden können. Es gibt bewährte Data-Mining-Techniken wie Entscheidungsbäume, Support Vector Machine und logistische Regression, die bei der Vorhersage von Herzkrankheiten nützlich sind. Diese Forschung konzentriert sich auf die Vorhersage von Herzkrankheiten mit Hilfe von Support Vector Machine und linearer Regressionstechnik. Der Cleveland-Herzkrankheitsdatensatz wird als Beispieldatensatz verwendet, um die Genauigkeit dieser beiden ausgewählten Techniken zu ermitteln. Der Vergleich zeigt, dass die logistische Regression genauere Ergebnisse liefert als die Support-Vector-Machine auf dem Herzkrankheitsdatensatz. Die Forschungsanalyse wird in einem R-Skript durchgeführt, in dem der Cleveland Heart Disease Dataset analysiert und zwei Modelle (SVM, logistische Regression) mit R implementiert werden. Das Projekt konzentriert sich auf die Anwendung von Support Vector Machine und logistischen Regressionstechniken auf den oben genannten Datensatz.