본 연구는 심장병 진단을 위한 효과적인 예측 모델 개발을 목표로, 상호 정보(MI), 분산분석(ANOVA), 카이제곱 검정을 이용한 특징 선택 기법의 영향을 평가했습니다. 심장병 관련 임상 지표 데이터셋을 사용하여, 로지스틱 회귀, 랜덤 포레스트, 나이브 베이즈, 의사결정 트리, KNN, SVM, 그리고 다양한 심층 학습 모델 등 총 11가지 머신러닝 및 딥러닝 모델의 예측 성능을 정밀도, 재현율, AUC 점수, F1 점수, 정확도를 통해 비교 분석했습니다. 그 결과, 특히 신경망과 같은 고급 모델에서 MI가 다른 특징 선택 기법보다 우수한 성능을 보였으며, 82.3%의 정확도와 0.94의 재현율을 달성했습니다. 로지스틱 회귀와 랜덤 포레스트도 MI를 사용했을 때 성능이 향상되었습니다. 반면, KNN과 SVM은 특징 선택 기법에 관계없이 낮은 성능을 나타냈습니다. 나이브 베이즈와 의사결정 트리는 ANOVA와 카이제곱 검정을 사용했을 때도 상대적으로 높은 정확도를 보여 계산 효율성이 높은 대안으로 제시되었습니다. 본 연구는 심장병 예측을 위한 특징 선택 기법의 종합적인 비교 분석을 제공하며, 알고리즘 선택에 따른 적절한 특징 선택 기법의 중요성을 강조합니다.
