基于蜉蝣优化的混合 MLP-CatBoost 分类器超参数调优用于心脏病检测：开启心脏病精准诊断新征程

为解决心脏病诊断难题，研究人员开展了基于改进 CatBoost 算法和多层感知器（MLP）分类器的研究。他们利用蜉蝣优化算法调优模型超参数，哈里斯鹰优化技术筛选特征。结果显示，在两个数据集上准确率分别达 98.7% 和 99.2%，提升了诊断准确性。

　　心脏病诊断是一项颇具挑战的任务，因其需要对疾病的严重程度进行数字化评估，进而实现快速治疗。因此，心脏病诊断在全球医疗行业备受关注。优化算法在心脏病检测中起着关键作用，其与诊断效果的卓越性息息相关。在本研究中，为预测心脏病，采用了改进的 CatBoost 算法和多层感知器（MLP）分类器。为成功实施该分类器，需对超参数进行适当调整。为此，研究人员运用蜉蝣优化算法对混合模型的超参数进行有效优化。为提高预测准确率，利用哈里斯鹰优化技术从数据集中选择关键特征。研究使用了 Z-Alizadeh Sani 和 Cleveland 心脏病数据集来检测心脏病，并将所提模型与现有模型进行对比。为验证模型的有效性，采用了六种评估指标：精度、准确率、召回率、F₁值、特异性和损失值。与以往研究相比，所提模型性能更优，在 Cleveland 数据集上准确率达 98.7%，在 Alizadeh Sani 数据集上准确率达 99.2%。