一、项目简介

本项目基于心脏病医疗数据集，构建多分类机器学习模型实现心肌梗死二分类预测（positive 患病 /negative 健康）。完整覆盖数据清洗、探索性数据分析 EDA、特征标准化、多模型训练、混淆矩阵 + ROC-AUC 评估五大流程，对比逻辑回归、决策树、随机森林、XGBoost、SVM 五种经典分类算法，最终得出树集成模型在医疗诊断场景效果最优的结论。

数据集信息：共 1319 条患者样本，9 个特征：年龄、性别、心率、收缩压、舒张压、血糖、肌酸激酶同工酶、肌钙蛋白、诊断结果，无缺失值，存在极端异常值与逻辑错误血压数据。

二、完整环境依赖导入

python

运行

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import scipy.stats as stats
from scipy.stats import chi2_contingency
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from xgboost import XGBClassifier
from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc
import warnings
# 配置全局设置
warnings.filterwarnings('ignore')
mpl.rcParams['font.family'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False

三、数据读取与基础预处理

3.1 加载数据、修改中文列名

python

运行

# 读取医疗数据集
df = pd.read_csv("Medicaldataset.csv")
# 自定义中文列名
col_name = ['年龄','性别','心率','收缩压','舒张压','血糖','肌酸激酶同工酶','肌钙蛋白','结果']
df.columns = col_name
# 查看前5行
print(df.head())
# 查看数据类型、缺失值
print(df.info())
# 统计描述
print(df.describe())

输出关键信息：

1. 1319 条数据，无缺失值；
2. 5 个 int 整型特征、3 个 float 浮点特征、1 个字符串标签列；
3. 心率最大值 1111，存在极端异常；部分样本舒张压＞收缩压，存在逻辑错误。

3.2 异常值清洗

1. 过滤极端生理异常：心率＞1000、收缩压＜50、舒张压＞140
2. 修正血压逻辑错误：舒张压大于收缩压的数据，两列数值互换

python

运行

# 1. 删除极端异常样本
df = df.loc[(df['心率']<1000) & (df['收缩压']>50) & (df['舒张压']<140)]
print("清洗后样本数量：", df.shape[0])

# 2. 找出舒张压大于收缩压的错误数据
wrong_data = df[df['舒张压']>df['收缩压']]
print("血压逻辑错误样本数量：", len(wrong_data))
# 交换两列数值修复
df.loc[wrong_data.index,['收缩压','舒张压']] = df.loc[wrong_data.index,['舒张压','收缩压']].values.copy()

# 检查重复值
print("重复样本数量：", df.duplicated().sum())
# 绘制箱线图查看整体分布
df.plot(kind='box', figsize=(12,6))
plt.title("各特征箱线图")
plt.show()

清洗后样本量降至 1314 条，血压逻辑错误共 6 条全部修复，无重复数据。

四、EDA 探索性数据分析

4.1 基础人口分布：年龄 + 性别

python

运行

plt.figure(figsize=(12,8))
# 子图1：年龄直方图+核密度曲线
plt.subplot(211)
plt.hist(df['年龄'],bins=20,alpha=0.7)
plt.title('患者年龄分布直方图')
df['年龄'].plot(kind='kde',secondary_y=True)
# 子图2：性别占比饼图
plt.subplot(212)
gender_data = df['性别'].value_counts()
plt.pie(gender_data,autopct='%.2f%%',labels=['男','女'],shadow=True,explode=(0.05,0))
plt.title('患者性别比例')
plt.tight_layout()
plt.show()

分析结论：

1. 年龄近似正态分布，50-75 岁中老年患者占比最高；
2. 男性样本 65.98%，女性仅 34.02%，数据集男性占主导。

4.2 各特征与心脏病诊断关系（阳性 / 阴性分组）

python

运行

plt.figure(figsize=(20,16))
# 1. 年龄与患病关系箱线图
plt.subplot(3,3,1)
pos_age = df[df['结果']=='positive']['年龄']
neg_age = df[df['结果']=='negative']['年龄']
plt.boxplot([pos_age,neg_age],labels=['阳性(患病)','阴性(健康)'])
plt.title('年龄与心脏病诊断关系')

# 2. 心率与患病关系
plt.subplot(332)
pos_heart = df[df['结果']=='positive']['心率']
neg_heart = df[df['结果']=='negative']['心率']
plt.boxplot([pos_heart,neg_heart],labels=['阳性','阴性'])
plt.title('心率与心脏病诊断关系')

# 3. 确诊患者性别饼图
plt.subplot(333)
pos_data = df[df['结果']=='positive']
gender_pos = pos_data['性别'].value_counts()
plt.pie(gender_pos,labels=['男','女'],autopct='%.2f%%')
plt.title('确诊心脏病患者性别比例')

# 4. 收缩压分组箱线图
ax4 = plt.subplot(334)
df.boxplot(column='收缩压',by='结果',ax=ax4)
ax4.set_title('收缩压分布（患病/健康分组）')

# 5. 舒张压分组箱线图
ax5 = plt.subplot(335)
df.boxplot(column='舒张压',by='结果',ax=ax5)
ax5.set_title('舒张压分布（患病/健康分组）')

# 6. 血糖分组箱线图
ax6 = plt.subplot(336)
df.boxplot(column='血糖',by='结果',ax=ax6)
ax6.set_title('血糖分布（患病/健康分组）')

plt.tight_layout()
plt.show()

# 多特征按性别+患病双分组对比
df.boxplot(column=['血糖','年龄','收缩压','舒张压'],by=['性别','结果'],figsize=(16,8))
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

通过分组箱线图可直观观察：患病群体肌钙蛋白、肌酸激酶同工酶指标显著高于健康人群，是区分心脏病的核心生物标志物。

五、特征工程与数据集划分

5.1 标签二值化

将文本标签positive/negative转为 0、1 数值，方便模型训练：

python

运行

# 1=患病阳性，0=健康阴性
df['Result_Binary'] = (df['结果'] == 'positive').astype(int)

5.2 筛选核心特征 + 标准化

根据医学先验知识，选取区分度最高 4 个特征：性别、年龄、肌酸激酶同工酶、肌钙蛋白；仅对连续数值特征标准化，性别为二分类特征无需标准化。

python

运行

# 定义输入特征与目标标签
features = ['性别','年龄', '肌酸激酶同工酶', '肌钙蛋白']
X = df[features].copy()
y = df['Result_Binary']

# 需要标准化的连续变量
continuous_vars = ['年龄', '肌酸激酶同工酶', '肌钙蛋白']
X[continuous_vars] = X[continuous_vars].astype(float)

# 标准化处理
scaler = StandardScaler()
X.loc[:, continuous_vars] = scaler.fit_transform(X[continuous_vars])

# 划分训练集80%、测试集20%，分层抽样保证正负样本比例一致
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=15, stratify=y
)

六、通用模型评估函数（统一输出分类报告、混淆矩阵、ROC 曲线）

封装评估函数，一次性完成训练、预测、可视化，减少重复代码：

python

运行

def evaluate_model(model, model_name, X_train, X_test, y_train, y_test):
    # 训练模型
    model.fit(X_train, y_train)
    # 测试集预测
    y_pred = model.predict(X_test)
    
    # 打印分类报告（精确率、召回率、F1、准确率）
    print(f"===== {model_name} 模型评估报告 =====")
    print(classification_report(y_test, y_pred))
    
    # 绘制混淆矩阵热力图
    cm = confusion_matrix(y_test, y_pred)
    plt.figure(figsize=(8,6))
    plt.imshow(cm, cmap='hot', interpolation='nearest')
    plt.colorbar()
    # 填充数字
    for i in range(cm.shape[0]):
        for j in range(cm.shape[1]):
            plt.text(j, i, f"{cm[i,j]}", ha="center", va="center", color="white", fontsize=14)
    plt.title(f"{model_name} 混淆矩阵")
    plt.xlabel("预测标签")
    plt.ylabel("真实标签")
    plt.show()
    
    # 获取预测概率/置信度，绘制ROC曲线
    if hasattr(model, "predict_proba"):
        y_prob = model.predict_proba(X_test)[:, 1]
    else:
        y_prob = model.decision_function(X_test)
    
    fpr, tpr, _ = roc_curve(y_test, y_prob)
    roc_auc = auc(fpr, tpr)
    
    plt.figure(figsize=(8,6))
    plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC曲线(AUC={roc_auc:.2f})')
    plt.plot([0,1], [0,1], color='navy', lw=2, linestyle='--')
    plt.xlabel('假阳性率 FPR')
    plt.ylabel('真阳性率 TPR')
    plt.title(f"{model_name} ROC曲线")
    plt.legend(loc="lower right")
    plt.show()
    return model, roc_auc

七、五大分类模型训练与对比

7.1 逻辑回归

python

运行

lr_model = LogisticRegression(random_state=15, class_weight='balanced')
lr_model, lr_auc = evaluate_model(lr_model, "逻辑回归", X_train, X_test, y_train, y_test)
print(f"逻辑回归AUC值：{lr_auc}\n")

结果：AUC=0.92，线性模型拟合能力有限，区分效果一般。

7.2 决策树

python

运行

dt_model = DecisionTreeClassifier(random_state=15)
dt_model, dt_auc = evaluate_model(dt_model, "决策树", X_train, X_test, y_train, y_test)
print(f"决策树AUC值：{dt_auc}\n")

结果：AUC=0.98，单棵树拟合效果大幅提升，但易过拟合。

7.3 随机森林（集成树）

python

运行

rf_model = RandomForestClassifier(random_state=15, class_weight='balanced')
rf_model, rf_auc = evaluate_model(rf_model, "随机森林", X_train, X_test, y_train, y_test)
print(f"随机森林AUC值：{rf_auc}\n")

结果：AUC=0.99，集成树抗过拟合，泛化能力优秀。

7.4 XGBoost 梯度提升树

python

运行

# 正负样本权重平衡
scale_weight = sum(y_train==0) / sum(y_train==1)
xgb_model = XGBClassifier(random_state=15, scale_pos_weight=scale_weight)
xgb_model, xgb_auc = evaluate_model(xgb_model, "XGBoost", X_train, X_test, y_train, y_test)
print(f"XGBoost AUC值：{xgb_auc}\n")

结果：AUC=0.99，本项目最优模型，医疗指标非线性关系捕捉最强。

7.5 SVM 支持向量机

python

运行

svm_model = SVC(random_state=15, class_weight='balanced', probability=True)
svm_model, svm_auc = evaluate_model(svm_model, "支持向量机SVM", X_train, X_test, y_train, y_test)
print(f"SVM AUC值：{svm_auc}\n")

结果：AUC=0.92，与逻辑回归持平，高维医疗特征下优势不明显。

八、模型综合对比总结

表格

模型	AUC 得分	优缺点
逻辑回归	0.92	可解释性强，线性假设限制精度
SVM	0.92	小样本友好，大数据训练慢
决策树	0.98	单树易过拟合，泛化弱
随机森林	0.99	并行训练，稳定，不易过拟合
XGBoost	0.99	梯度提升，预测精度最高，适合医疗诊断

项目结论

1. 医疗心脏病数据中，肌钙蛋白、肌酸激酶同工酶是判断患病的核心特征；
2. 线性模型（逻辑回归、SVM）仅能捕捉简单线性关系，效果较差；
3. 树集成模型（随机森林、XGBoost）能挖掘生理指标非线性关联，AUC 达到 0.99，适合落地心脏病辅助诊断系统；
4. 数据预处理至关重要：极端生理异常值、血压逻辑错误会严重干扰模型预测精度。

九、项目拓展方向

1. 特征工程：增加特征交叉、分箱，筛选特征重要性；
2. 超参数调优：GridSearchCV/RandomSearchCV 优化树模型参数；
3. 多模型融合：Stacking 堆叠集成进一步提升精度；
4. 模型部署：导出 XGBoost 模型，搭建简易 Web 诊断接口；
5. 数据增强：扩充样本，解决男女样本不均衡问题。