Artificial Neural Network Parameter Tuning Framework For Heart Disease Classification

Yazid, Mohamad Haider Abu; Satria, Haikal; Talib, Shukor; Azman, Novi

doi:10.11591/eecsi.v5i5.1695

Cited by 4 publications

(4 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Neural Networks require much experimenting with a series of parameters to get the best performance, (Yazid et al, 2018) the paper suggests a parameter tuning framework, for the Artificial Neural Network. Statlog heart disease dataset along with the Cleveland dataset was considered to train the model.…”

Section: Literature Reviewmentioning

confidence: 99%

“…Statlog heart disease dataset along with the Cleveland dataset was considered to train the model. The inclusion of a variety of datasets would have increased the scope of the model, making it more acceptable (Yazid et al, 2018). The accuracy obtained is 90% for the Star log dataset, while 90.9% for the Cleveland one, suggesting that more improvements could be made.…”

Section: Literature Reviewmentioning

confidence: 99%

“…The digits 1 to 4 indicate different stages of heart disease. Since the proposed system is based on binary classification, all the labels within the range (Terrada et al, 2020;Yazid et al, 2018) are replaced with a common digit 1, indicating the presence of the disease.…”

Section: B Data Preprocessing Data Cleaningmentioning

confidence: 99%

See 2 more Smart Citations

Cardiovascular Disease Prediction using Various Machine Learning Algorithms

Swain¹,

Parmar²,

Shah³

et al. 2022

Journal of Computer Science

View full text Add to dashboard Cite

Almost one-third of all deaths caused around the world were caused due to cardiovascular diseases. Even if death was not the result, much cost is incurred during the treatment of such diseases. But much of these deaths and treatments could have been prevented with prior action. Advance knowledge of the symptoms and consequently proper care can lead us to avoid such diseases. Thus, current research proposes a highly effective model to predict the presence of heart diseases. Bad eating habits, smoking, stress, and genetics are some of the factors that influence our body mechanisms, which actually cause various irregularities in our hearts and thus adversely affect our bodies. The body mechanisms influenced by external factors have been included to prepare an efficient model to predict the probability of cardiovascular diseases. UCI repository dataset has been utilized for the training and testing purpose in our model. Then accordingly, five different algorithms namely Logistic Regression, Support Vector Machine, Multi-Layer Perceptron (MLP) Classifier with Principal Component Analysis (PCA), Deep Neural Network, Bootstrap Aggregation using Random Forests are executed on our filtered dataset to find which one is the optimum out of all of them. Pre-processing techniques have been extensively used to filter out the dataset. The data processing along with the different models employed make this a sound paper, which could be utilized for real-world cases without any prior modification. Different places around the world would take different factors into account, hence our model can be used as it takes all critical factors from several datasets.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Section: Literature Reviewmentioning

confidence: 99%

See 1 more Smart Citation

Cardiovascular Disease Prediction using Various Machine Learning Algorithms

Swain¹,

Parmar²,

Shah³

et al. 2022

Journal of Computer Science

View full text Add to dashboard Cite

show abstract

“…Yazid vd. [9] hastalık teşhisi için yapay sinir ağlarını kullanmış ve parametre ayarlama yaparak performans artışı hedeflemişlerdir. Yapılan çalışmada Cleveland veri kümesi üzerinde bir tahmin modeli ortaya konmuş ve %90,9 doğruluk oranı elde edilmiştir.…”

Section: Giriş (Introduction)unclassified

Optimum parametreler yardımıyla performansı artırılmış KNN algoritması tabanlı kalp hastalığı tahmini

Takçı

2022

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Kalp hastalıkları ölüm oranı bakımından bütün hastalıklar arasında ilk sırada yer alır. Hastalığın kesin tedavisi olmamakla birlikte doğru teşhis hastaların hayatta kalma süresi ve yaşam kalitesine olumlu yönde etki eder. Bugüne kadar kalp hastalıklarının teşhisi için çeşitli klinik yöntemler kullanılmıştır. Son dönemde hastalığın teşhisi için makine öğrenmesi algoritmaları da kullanılmaktadır. Bu kapsamda yaptığımız çalışmada kalp hastalığı teşhisi için KNN sınıflayıcı kullanılmıştır. Algoritmanın sınıflandırma başarısını iyileştirmek için optimum parametreler bulunmaya çalışılmıştır. KNN algoritması için ilk parametre uzaklık yöntemidir ve bu parametre için Manhattan, Euclidean, Chebyshev ve Cosine ölçümleri tercih edilmiştir. Diğer parametre komşu sayısıdır ve en uygun komşu sayısını tespit edebilmek için 1…15 arasındaki tek sayılar denenmiştir. Kalp hastalıklarını sınıflandırmak için kullandığımız KNN algoritması C++ programlama dilinde kodlanmış ve çalıştırılmıştır. Model değerlendirme aşamasında UCI Statlog (Heart) veriseti kullanılmış ve sonuçlar doğruluk ve ROC analizine dayalı olarak elde edilmiştir. KNN algoritması ile elde edilen en yüksek sınıflandırma doğruluğu %100 ve en yüksek AUC değeri 1,00 olarak ölçülmüştür. Bu değer; Chebyshev uzaklık ölçümü ve komşu sayısının 7 olduğu durumda elde edilmiştir.

show abstract

Hybrid Global Sensitivity Analysis Based Optimal Attribute Selection Using Classification Techniques by Machine Learning Algorithm

Saranya

Pravin

2021

Wireless Pers Commun

View full text Add to dashboard Cite

Artificial Neural Network Parameter Tuning Framework For Heart Disease Classification

Cited by 4 publications

References 3 publications

Cardiovascular Disease Prediction using Various Machine Learning Algorithms

Cardiovascular Disease Prediction using Various Machine Learning Algorithms

Optimum parametreler yardımıyla performansı artırılmış KNN algoritması tabanlı kalp hastalığı tahmini

Hybrid Global Sensitivity Analysis Based Optimal Attribute Selection Using Classification Techniques by Machine Learning Algorithm

Contact Info

Product

Resources

About