Predicting Heart Disease Using Machine Learning
| creativework.publisher | المركز الجامعي إليزي - معهد العلوم، قسم الإعلام الآلي | |
| dc.contributor.author | Daoud belkhiri | |
| dc.contributor.author | Hibbi said abd elkahar | |
| dc.contributor.author | Advisor: Dr. Abderrahim Benmechiche | |
| dc.date.accessioned | 2025-06-29T09:46:16Z | |
| dc.date.available | 2025-06-29T09:46:16Z | |
| dc.date.issued | 2025-06-29 | |
| dc.description | Keywords: prediction of disease patients, healthcare, machine learning, data usage الكلمات المفتاحية :التنبؤ للمرضى المصابين بالمرض ،الرعاية الصحية ،التعلم الالي ،إستخدام البيانات | |
| dc.description.abstract | Abstract The research details a Python-based system designed to predict heart disease by analyzing patient data using machine learning. The system's methodology includes key steps such as data preprocessing, exploratory data analysis, and training various machine learning algorithms, such as logistic regression, XGBoost classifier, SVM, KNN, decision trees, random forests, and gradient boosting. Model performance is evaluated using metrics such as accuracy, precision, recall, F1 score, and area under the curve (AUC) for ROC, often using cross-validation. The application leverages Python libraries, including pandas, scikit-learn, matplotlib, seaborn, and possibly NumPy. The overall goal is to provide healthcare professionals with a robust, interpretable, and non-invasive prediction tool for timely interventions, ultimately improving patient outcomes and potentially reducing healthcare costs. ملخص يُفصِّل البحث نظامًا قائمًا على لغة بايثون، مُصمَّمًا للتنبؤ بأمراض القلب من خلال تحليل بيانات المرضى باستخدام التعلم الآلي. تتضمن منهجية النظام خطواتٍ أساسية، مثل المعالجة المسبقة للبيانات، وتحليل البيانات الاستكشافي، وتدريب خوارزميات التعلم الآلي المختلفة، مثل الانحدار اللوجستي، ومُصنِّف XGBoost، وSVM، وKNN، وأشجار القرار، والغابات العشوائية، وتعزيز التدرج. يُقيَّم أداء النموذج باستخدام مقاييس مثل الدقة، والدقة، والتذكر، ودرجة F1، ومساحة تحت المنحنى (AUC) لـ ROC، وغالبًا ما يكون ذلك باستخدام التحقق المتقاطع. يستفيد التطبيق من مكتبات بايثون، بما في ذلك pandas، وscikit-learn، وmatplotlib، وseaborn، وربما NumPy. الهدف الشامل هو تزويد مُختصي الرعاية الصحية بأداة تنبؤ قوية، وقابلة للتفسير، وغير جراحية، للتدخلات في الوقت المناسب، مما يُحسِّن في نهاية المطاف نتائج المرضى، وربما يُخفِّض تكاليف الرعاية الصحية. | |
| dc.identifier.uri | http://dspace.cuillizi.dz/handle/123456789/408 | |
| dc.language.iso | en_US | |
| dc.title | Predicting Heart Disease Using Machine Learning | |
| dc.type | Thesis |