心力衰竭的预测，采用集成学习及 Spark 技术。

简介：
本研究的主要目标是能够基于患者的详细病历，自动预测未来一段时间内他们是否可能发展出心力衰竭，特别是充血性心力衰竭。为了达成这一目标，我们利用 ExactData 数据集包含的 10,000 余名患者的医疗记录，并构建了包含诊断信息、风险因素、用药历史以及实验室检测结果等特征的描述性变量。随后，我们采用集成机器学习方法对分类器进行了训练，主要运用逻辑回归和随机森林算法进行装袋技术。为了评估模型的性能并优化分类器参数，我们实施了 k 折交叉验证策略，借助 Spark 平台中的 ML 管道框架。实验结果表明，我们在一个由 50% 未患有心力衰竭个体和 50% 已被诊断为患有心力衰竭个体的测试集中，实现了超过 98% 的准确率水平，同时有效地控制了假阴性率。此外，我们对混淆矩阵进行了深入分析，并通过审视数据集潜在的偏差来阐述相关发现。该研究依赖于 Spark 1.3.0 和 MLlib 工具包。