Heart disease is the major cause of mortality in the world. The heart disease prediction from the clinical data is deliberate as the most important subject in clinical data analysis. Especially the size of data in health care is vast. Data mining (DM) assists decision and prediction from the raw health care data. DM converts the large collection into useful information. Several existing studies utilize the data mining approaches in heart disease prediction. There is only little research focused on selecting the important features which play a significant role in predicting heart disease is less. The aim of this study is to provide an enhanced approach with novel feature selection and classification technique to predict mortality in congestive heart failure patients. Through this approach the death rate due to heart disease will be decreased gradually. The ant colony optimization (ACO) algorithm is utilized for selecting the best feature for hybrid K-nearest neighbor (KNN) classifier. The proposed approach is compared with the prior classification techniques such as the Support vector machine, Naïve Bayes, KNN, C4.5, and decision tree. UCI Cleveland dataset is utilized for our implementation. Using the Netbeans IDE an experimental was conducted and the result shows that the heart disease prediction model provides a better result with accuracy of 99.2%.The present study shows the efficiency of the HKNN in heart disease prediction system. Initially important features are analyzed and then classification is utilized to obtain a better result.

心脏病是世界上导致死亡的主要原因。根据临床数据对心脏病的预测是临床数据分析中最重要的主题。特别是医疗保健中的数据量巨大。数据挖掘（DM）有助于根据原始医疗数据进行决策和预测。DM将大量的收藏转换成有用的信息。现有的几项研究在心脏病预测中利用了数据挖掘方法。只有很少的研究集中在选择对预测心脏病的重要作用起重要作用的重要特征上。这项研究的目的是提供一种具有新颖特征选择和分类技术的增强方法，以预测充血性心力衰竭患者的死亡率。通过这种方法，心脏病的死亡率将逐渐降低。蚁群优化（ACO）算法用于为混合K近邻（KNN）分类器选择最佳特征。将该方法与支持向量机，朴素贝叶斯，KNN，C4.5和决策树等现有分类技术进行了比较。UCI克利夫兰数据集用于我们的实施。使用Netbeans IDE进行了实验，结果表明心脏病预测模型提供了更好的结果，准确率达到99.2％。本研究表明HKNN在心脏病预测系统中的有效性。最初分析重要特征，然后使用分类以获得更好的结果。蚁群优化（ACO）算法用于为混合K近邻（KNN）分类器选择最佳特征。将该方法与支持向量机，朴素贝叶斯，KNN，C4.5和决策树等现有分类技术进行了比较。UCI克利夫兰数据集用于我们的实施。使用Netbeans IDE进行了实验，结果表明心脏病预测模型提供了更好的结果，准确率达到99.2％。本研究表明HKNN在心脏病预测系统中的有效性。最初分析重要特征，然后使用分类以获得更好的结果。蚁群优化（ACO）算法用于为混合K近邻（KNN）分类器选择最佳特征。将该方法与支持向量机，朴素贝叶斯，KNN，C4.5和决策树等现有分类技术进行了比较。UCI克利夫兰数据集用于我们的实施。使用Netbeans IDE进行了实验，结果表明心脏病预测模型提供了更好的结果，准确率达到99.2％。本研究表明HKNN在心脏病预测系统中的有效性。最初分析重要特征，然后使用分类以获得更好的结果。将该方法与支持向量机，朴素贝叶斯（NaïveBayes），KNN，C4.5和决策树等现有分类技术进行了比较。UCI克利夫兰数据集用于我们的实施。使用Netbeans IDE进行了实验，结果表明心脏病预测模型提供了更好的结果，准确率达到99.2％。本研究表明HKNN在心脏病预测系统中的有效性。最初分析重要特征，然后使用分类以获得更好的结果。将该方法与支持向量机，朴素贝叶斯（NaïveBayes），KNN，C4.5和决策树等现有分类技术进行了比较。UCI克利夫兰数据集用于我们的实施。使用Netbeans IDE进行了实验，结果表明心脏病预测模型提供了更好的结果，准确率达到99.2％。本研究表明HKNN在心脏病预测系统中的有效性。最初分析重要特征，然后使用分类以获得更好的结果。本研究显示了HKNN在心脏病预测系统中的效率。最初分析重要特征，然后使用分类以获得更好的结果。本研究显示了HKNN在心脏病预测系统中的效率。最初分析重要特征，然后使用分类以获得更好的结果。