O aprendizado de máquina é uma área da informática que trabalha com modelos preditivos que podem ser utilizados como uma ferramenta funcional para diversas áreas do conhecimento. No âmbito da saúde humana, o diagnóstico de doenças cardíacas é relevante para o tratamento de muitos pacientes, o diagnóstico precoce é significativo para a garantia da qualidade de vida. Dado esse contexto, o presente trabalho por meio de uma análise procedimental de caráter exploratório e com abordagem quantitativa buscou equiparar diferentes algoritmos de classificação de aprendizado de máquina com a finalidade de ponderar quais desses algoritmos apresentam uma melhor precisão na predição de doenças cardíacas, tendo como base de dados o dataset Heart Disease presente no repositório da UCI Machine Learning. A problemática em questão consiste em analisar os dados disponibilizados bem como identificar seus padrões para assim entender a distribuição das variáveis, em seguida, realizar a limpeza e demais passos de pré-processamento necessários para otimizar a modelagem do modelo. Tal projeto foi concebido sob as referências bibliográficas de Fleck (2016), Damasceno (2015) e Pereira (2024). Os testes utilizando o modelo Naive Bayes obtiveram uma maior acurácia e menor tempo de execução, em comparação aos testes que utilizaram o modelo de Decision Table apresentam um desempenho quase equivalente, sendo o modelo de Decision Table mais dependente de especificações em seus parâmetros.
