본 논문은 심장병 조기 진단 및 예방 의료를 위한 정확하고 신뢰할 수 있는 예측 모델 개발의 필요성에 대해 다룹니다. 기존의 머신러닝 기반 심장병 예측 모델들의 정확도 한계를 극복하기 위해, XGBoost, 로지스틱 회귀, 의사결정 트리, 랜덤 포레스트, KNN, SVM, Gaussian Naive Bayes, AdaBoost, 선형 회귀 등 9가지 머신러닝 알고리즘을 적용했습니다. 특징 선택 기법을 활용하여 관련성이 높은 예측 변수를 식별하고, 그리드 서치 하이퍼파라미터 튜닝 및 교차 검증을 통해 과적합을 최소화했습니다. 또한, 특징 선택 기법을 포함한 새로운 투표 시스템을 개발하여 심장병 분류 성능을 향상시켰습니다. 정확도, 정밀도, 재현율, F1-점수, ROC AUC 등의 성능 지표를 사용하여 모델을 평가한 결과, XGBoost가 99%의 정확도, 정밀도, F1-점수, 98%의 재현율, 100%의 ROC AUC를 달성하여 가장 우수한 성능을 보였습니다.
