基于UCI数据集的集中式和联邦心脏病分类模型及其沙普利值解释性
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对心血管疾病的高发率，评估了集中式和联邦机器学习算法在心脏病分类中的应用，填补了传统方法的不足。通过使用UCI数据集，并结合沙普利值解释性分析，研究显示集中式支持向量机(SVM)在测试准确率上达到83.3%，明显优于传统逻辑回归的78.7%。联邦模式则实现了73.8%的准确率，有助于在保护患者隐私的同时提供有效的诊断工具。
心血管疾病是全球主要死因，早期检测对预后至关重要。联邦学习是一种新兴方法，可以在保护隐私的前提下使用多个信息源进行模型训练。本文综述了联邦学习在心血管疾病检测中的应用，讨论了优点、挑战和未来研究方向。联邦学习有潜力提高心血管疾病检测模型的准确性和隐私保护能力。
