In den letzten Jahren stand die Welt vor mehreren öffentlichen Gesundheitsproblemen, darunter die ungleichmäßige Verteilung medizinischer Ressourcen, lebensbedrohliche chronische Krankheiten und steigende Betriebskosten. Herzinsuffizienz wird als schwerwiegendere und tödlichere Krankheit angesehen als andere. Es wird angenommen, dass es sich dabei um eine weltweit chronische Erkrankung handelt. Durch die Integration aktueller Technologie in das Gesundheitssystem können die Herausforderungen erheblich gelöst werden. Data Mining ist eine Methode zur Identifizierung interessanter Muster in aktuellen Daten in verschiedenen Szenarien, um die Daten in wertvolle Informationen umzuwandeln. Diese Arbeit verwendet ein hybrides tiefes Lernmodell, um große Datenanalysen und Visualisierungstechniken für die Erkennung von Herzerkrankungen bereitzustellen. Die vorgeschlagene Struktur für die Vorhersage von Herzerkrankungen wird unter Verwendung von Apache Hadoop als Entwicklungsplattform angezeigt.
Dieses Papier beschreibt die häufigsten Formate zur Speicherung großer Datensätze im Apache Hadoop-System und bietet Ansätze zur Bestimmung des besten Speicherformats für dieses Framework durch Kombination experimenteller Bewertungen und aktueller Optimierungen. Die effiziente und zuverlässige Datenverarbeitung wird unmittelbar durch Netzwerkperformance, Fehlertoleranz und Lastenausgleich im Bereich der Herzkrankheitsanalyse beeinflusst. Zur Reduzierung von Schwierigkeiten, die durch diese Elemente entstehen, sind verteilte und parallele Operationen unerlässlich. Optimierte Systemleistung wird erreicht, indem Berechnungsaufgaben strategisch auf mehrere Knoten verteilt werden, was zudem die Widerstandsfähigkeit des Systems gegen Fehler stärkt.
Ein MapReduce-Algorithmus verwendet parallele Programmierung, um einen großen Datensatz zu verarbeiten. Apache Hadoop implementiert MapReduce in Java, um eine höhere Konsistenz und Skalierbarkeit zu bieten. Eine vereinfachte Lösung, die parallele Programmierung nutzt, ist unerlässlich, um die großen Datenmengen in Herz-Datensätzen zu bewältigen. Der GRU-Netzwerk-Algorithmus bietet eine strukturierte Methode, um das Herzkrankheitsforschungsfeld zu erweitern und gleichzeitig die Notwendigkeit für hochmoderne Verarbeitungsmethoden zu erfüllen. Durch die Verwendung von parallelisierter Verarbeitung kann die Methode von der simultanen Ausführung von Aufgaben profitieren und somit eine beträchtliche Beschleunigung bei der Berechnung komplexer Analysen und Vorhersagen erzielen.
Die Entfernung von Ausreißern ist ein entscheidender Schritt zur Verbesserung von k-means-Clustering-Algorithmen. Durch diese Methode können Auswirkungen von fehlerhaften Daten minimiert werden, was zu präziseren Ergebnissen in der Herzkrankheitsanalyse führt. Die SMOTE-Methode wird angewendet, um fehlende Werte vor der Normalisierung zu entfernen, während die konventionelle Skalar-Ansatz zur Verwaltung von unausgeglichenen Daten verwendet wird. Auf diese Weise können wichtige Funktionen zur Vorhersage von Krankheiten identifiziert werden. Die RFE-Methode in Kombination mit maschinellem Lernen ermöglicht eine genauere Vorhersage von Herzkrankheiten durch Auswahl der meist relevanten Merkmale für die Modelleffizienz.