Year: 2025
Type: article
Abstract: В данной работе анализируются два подхода к прогнозу сердечно-сосудистых заболеваний, которые имеют постановку задачи в форме бинарной классификации на одном и том же бенчмарке Cleveland и имеют целью выявить преимущества квантовых вычислений перед традиционными классификаторами. Это - гибридный квантовый случайный лес (HQNN, HQRF) для прогнозирования развития ишемической болезни сердца на ранних стадиях и объяснимый прогноз сердечно-сосудистых заболеваний ансамблево-квантового обучения Bagging-QSVC. В первом подходе используются различные методы выбора признаков, которые в обычно требуют больших вычислительных усилий, в то время как модель HQRF и более ранняя модель HQNN являются высокоскоростными алгоритмами в силу природы квантовых вычислений. Численные результаты показывают, что HQRF больше подходит для небольших наборов данных, в то время как HQNN лучше подходит для больших наборов данных. Во втором подходе модель Bagging-QSVC в качестве базового классификатора использует квантовый классификатор опорных векторов. Результаты работы модели объясняются через важность вклада каждого отдельного признака помощью алгоритма Shaply (SHAP). Сравнительные исследование других квантовых классификаторов, на бенчмарке Cleveland показывают превосходство Bagging-QSVC с точностью 90,16%. Из этого следует, что классификаторы квантового машинного обучения эффективнее классификаторов классического машинного обучения предсказывают заболевания сердечно-сосудистой системы.
Authors: Ф.Т. Адилова, Р.Р. Давронов
Institution: Academy of Sciences Republic of Uzbekistan
Language: Russian
Subfield: Health Information Management
Field: Health Professions
Domain: Health Sciences
Open Access status: hybrid
OpenAlex ID: W4412907650