基于python实现机器学习的心脏病预测系统

以下是一个基于 Python 实现的简单心脏病预测系统代码示例，我们将使用 Scikit - learn 库中的机器学习算法（这里以逻辑回归为例），并使用公开的心脏病数据集。

步骤： 数据加载与预处理：加载心脏病数据集，对数据进行划分和标准化处理。模型训练：使用逻辑回归算法训练模型。模型评估：评估模型的性能。预测：使用训练好的模型进行预测。 代码实现： import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, classification_report # 1. 数据加载与预处理 # 从 CSV 文件中加载心脏病数据集 url = " archive.ics.uci.edu/ml/machine-learning-databases/heart-disease/processed.cleveland.data" column_names = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach', 'exang', 'oldpeak', 'slope', 'ca', 'thal', 'target'] data = pd.read_csv(url, names=column_names) # 处理缺失值 data = data.replace('?', pd.NA) data = data.dropna() # 分离特征和目标变量 X = data.drop('target', axis=1) y = data['target'] # 将目标变量转换为二进制（0 表示无心脏病，1 表示有心脏病） y = y.apply(lambda x: 1 if x > 0 else 0) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 数据标准化 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 2. 模型训练 # 创建逻辑回归模型 model = LogisticRegression() # 训练模型 model.fit(X_train_scaled, y_train) # 3. 模型评估 # 在测试集上进行预测 y_pred = model.predict(X_test_scaled) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print(f"模型准确率: {accuracy:.2f}") # 打印分类报告 print("分类报告:") print(classification_report(y_test, y_pred)) # 4. 预测示例 new_patient_data = [[63, 1, 3, 145, 233, 1, 0, 150, 0, 2.3, 0, 0, 1]] # 对新数据进行标准化处理 new_patient_data_scaled = scaler.transform(new_patient_data) # 进行预测 prediction = model.predict(new_patient_data_scaled) if prediction[0] == 1: print("预测结果: 有心脏病") else: print("预测结果: 无心脏病") 代码解释：

数据加载与预处理：

使用 pandas 库从 UCI 机器学习库中加载心脏病数据集。处理缺失值，将 ? 替换为 NaN 并删除包含缺失值的行。分离特征和目标变量，并将目标变量转换为二进制。使用 train_test_split 函数将数据集划分为训练集和测试集。使用 StandardScaler 对数据进行标准化处理。

模型训练：

创建逻辑回归模型并使用训练集进行训练。

模型评估：

使用测试集进行预测，并计算准确率和分类报告。

预测示例：

提供一个新患者的数据，对其进行标准化处理并使用训练好的模型进行预测。 注意事项： 可以尝试使用其他机器学习算法（如决策树、随机森林等）来提高模型性能。数据集可能需要进一步的特征工程和调优，以获得更好的预测结果。