본 연구는 14개의 특징을 가진 303개의 표본으로 구성된 심장병 데이터 세트를 사용하여 심장병 예측을 위한 머신러닝 기반 프레임워크를 제시합니다. 데이터 전처리, 모델 훈련 및 로지스틱 회귀, K-최근접 이웃(KNN), 랜덤 포레스트 세 가지 분류기를 사용한 평가를 포함하는 방법론을 사용했습니다. GridSearchCV와 RandomizedSearchCV를 사용한 하이퍼파라미터 튜닝을 통해 모델 성능을 향상시켰습니다. 랜덤 포레스트 분류기가 다른 모델보다 우수한 성능을 보였으며, 정확도 91%, F1 점수 0.89를 달성했습니다. 정밀도, 재현율, 혼동 행렬을 포함한 평가 지표는 클래스 간 균형 잡힌 성능을 보여주었습니다. 제안된 모델은 심장병을 효과적으로 예측하여 임상 의사 결정 지원에 강력한 잠재력을 보여줍니다. 데이터 세트 크기 및 일반화 가능성과 같은 한계는 더 크고 다양한 데이터 세트를 사용한 후속 연구의 필요성을 강조합니다. 이 연구는 의료 분야에서 머신러닝의 유용성을 강조하며 예측 진단의 추가 발전을 위한 통찰력을 제공합니다.
