With the advent of the data age, the continuous improvement and widespread application of medical information systems have led to an exponential growth of biomedical data, such as medical imaging, electronic medical records, biometric tags, and clinical records that have potential and essential research value. However, medical research based on statistical methods is limited by the class and size of the research community, so it cannot effectively perform data mining for large-scale medical information. At the same time, supervised machine learning techniques can effectively solve this problem. Heart attack is one of the most common diseases and one of the leading causes of death, so finding a system that can accurately and reliably predict early diagnosis is an essential and influential step in treating such diseases. Researchers have used various data mining and machine learning techniques to analyze medical data, helping professionals predict heart disease. This paper presents various features related to heart disease, and the model is based on ensemble learning. The proposed system involves preprocessing data, selecting attributes, and then using logistic regression algorithms as meta-classifiers to build the ensemble learning model. Furthermore, using machine learning algorithms (Support Vector Machines, Decision Tree, Random Forest, Extreme Gradient Boosting) for prediction on the Framingham Heart Study dataset and compared with the proposed methodology. The results show that the feasibility and effectiveness of the proposed prediction method based on group learning provide accuracy for medical recommendations and better accuracy than the single traditional machine learning algorithm., С наступлением эпохи данных постоянное совершенствование и широкое применение медицинских информационных систем привели к экспоненциальному росту биомедицинских данных, таких как медицинская визуализация, электронные медицинские записи, биометрические метки и клинические записи, которые имеют потенциальную и существенную исследовательскую ценность. Однако медицинские исследования, основанные на статистических методах, ограничены классом и размером исследовательского сообщества, поэтому они не могут эффективно выполнять интеллектуальный анализ данных при крупномасштабной медицинской информации. В то же время методы машинного обучения с учителем могут эффективно решить эту проблему. Сердечный приступ является одним из наиболее распространенных заболеваний и одной из основных причин смерти, поэтому нахождение системы, которая может точно и надежно прогнозировать диагноз, является важным шагом в лечении таких заболеваний. Исследователи использовали различные методы интеллектуального анализа данных и машинного обучения для анализа медицинских данных, помогающие специалистам прогнозировать сердечные заболевания. В данной статье представлены различные особенности сердечных заболеваний, модель основана на ансамблевом обучении. Предлагаемая система включает предварительную обработку данных, выбор атрибутов, а затем использование алгоритмов логистической регрессии в качестве мета-классификаторов для построения модели ансамблевого обучения. Кроме того, использование алгоритмов машинного обучения (метод опорных векторов, дерево решений, случайный лес, экстремальный градиентный бустинг) для прогнозирования на основе набора данных Фремингемского исследования сердца и сравнение с предложенной методологией. Результаты показывают, что целесообразность и эффективность предлагаемого метода прогнозирования, основанного на групповом обучении, обеспечивают точность медицинских рекомендаций и более высокую точность по сравнению с единым традиционным алгоритмом машинного обучения., З настанням епохи даних постійне вдосконалення та широке застосування медичних інформаційних систем призвели до експоненціального зростання біомедичних даних, таких як медична візуалізація, електронні медичні записи, біометричні мітки та клінічні записи, які мають потенційну та суттєву дослідницьку цінність. Однак медичні дослідження, засновані на статистичних методах, обмежені класом і розміром дослідницької спільноти, тому вони не можуть ефективно виконувати інтелектуальний аналіз даних за великомасштабної медичної інформації. У той же час методи машинного навчання з учителем можуть ефективно вирішити цю проблему. Серцевий напад є одним з найбільш поширених захворювань і однією з основних причин смерті, тому знаходження системи, яка може точно і надійно прогнозувати діагноз, є важливим кроком в лікуванні таких захворювань. Дослідники використовували різні методи інтелектуального аналізу даних і машинного навчання для аналізу медичних даних, які допомагають фахівцям прогнозувати серцеві захворювання. У даній статті представлені різні особливості серцевих захворювань, модель заснована на ансамблевому навчанні. Запропонована система включає попередню обробку даних, вибір атрибутів і використання алгоритмів логістичної регресії як мета-класифікаторів для побудови моделі ансамблевого навчання. Крім того, використання алгоритмів машинного навчання (метод опорних векторів, дерево рішень, випадковий ліс, екстремальний градієнтний бустинг) для прогнозування на основі набору даних Фремінгемського дослідження серця і порівняння із запропонованою методологією. Результати показують, що доцільність і ефективність запропонованого методу прогнозування, заснованого на груповому навчанні, забезпечують точність медичних рекомендацій і більш високу точність в порівнянні з єдиним традиційним алгоритмом машинного навчання