文章标签

#Python 机器学习 #心脏病预测 #数据分析 #逻辑回归 #XGBoost #决策树 #医疗数据挖掘

一、项目简介

心血管疾病是全球致死率最高的疾病之一，传统心脏病诊断依赖医生经验、多项器械检查，成本高、耗时久。本文基于患者临床体检数据集，使用逻辑回归、决策树、随机森林、XGBoost、SVM 支持向量机5 种经典分类算法构建心脏病二分类预测模型，完整覆盖数据加载→清洗异常值→EDA 可视化探索→特征工程→多模型训练→混淆矩阵 / ROC/AUC 全方位评估全流程。

数据集包含 1319 条患者临床记录，特征涵盖年龄、性别、心率、血压、血糖、肌酸激酶同工酶、肌钙蛋白等关键心梗指标，标签分为positive(患病)/negative(健康)，非常适合医疗二分类入门学习。

环境依赖

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.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
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
warnings.filterwarnings('ignore')
# 解决中文、负号显示
mpl.rcParams['font.family']='SimHei'
plt.rcParams['axes.unicode_minus']=False

二、数据集加载与基础查看

2.1 读取数据 + 重命名中文列

python

运行

# 读取医疗数据集
df=pd.read_csv("Medicaldataset.csv")
# 自定义中文列名
columns=['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=columns
# 查看前5行
print(df.head())

数据集共 1319 行、9 列，无缺失值，目标列结果为二分类文本标签：positive = 心脏病阳性，negative = 阴性。

2.2 基础信息与描述统计

python

运行

# 数据类型、缺失值检测
print(df.info())
# 数值特征统计分布
print(df.describe())

数据特征：

1. 样本总量 1319 条，无缺失、无重复值；
2. 性别 0 = 女性，1 = 男性，男性占比 66%；
3. 年龄均值 56 岁，50-75 岁人群占比最高；
4. 心率、血压、肌酸激酶存在极端异常极值，需要清洗。

三、数据预处理（医疗数据核心步骤）

医疗数据集存在大量录入错误、生理逻辑矛盾数据，必须严格清洗：

3.1 剔除极端生理异常值

python

运行

# 删除心率>1000、收缩压<50、舒张压>140极端错误数据
df=df.loc[(df['心率']<1000)& (df['收缩压']>50)&(df['舒张压']<140)]
print("清洗后数据量：",df.shape[0]) # 剩余1314条

3.2 修正血压逻辑错误（舒张压＞收缩压）

正常人体收缩压一定大于舒张压，对录入颠倒的数据交换两列数值：

python

运行

# 筛选异常血压记录
wrong_data=df[df['舒张压']>df['收缩压']]
# 交换收缩压、舒张压
df.loc[wrong_data.index,['收缩压','舒张压']]=df.loc[wrong_data.index,['舒张压','收缩压']].values.copy()
# 校验修正结果
print(df.loc[150:154])

四、探索性数据分析 EDA 可视化

4.1 人群基础分布（年龄 + 性别）

python

运行

plt.figure(figsize=(12,8))
# 年龄直方图+核密度曲线
plt.subplot(211)
plt.hist(df['年龄'],bins=20)
df['年龄'].plot(kind='kde',secondary_y=True)
plt.title('患者年龄分布')

# 性别饼图
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('样本性别比例')
plt.tight_layout()
plt.show()

结论：样本中老年群体居多，男性样本远多于女性。

4.2 各指标与心脏病诊断关系箱线图

python

运行

plt.figure(figsize=(20,16))
# 1.年龄与患病
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','阴性'])
plt.title('年龄与心脏病诊断关系')

# 2.心率
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.阳性患者性别占比
plt.subplot(333)
pos_data=df[df['结果']=='positive']
gender_data=pos_data['性别'].value_counts()
plt.pie(gender_data,labels=['男','女'],autopct='%.2f%%')
plt.title('确诊心脏病患者性别比例')

# 4.收缩压、舒张压、血糖、肌酸激酶、肌钙蛋白分组箱线图
ax4=plt.subplot(334)
df.boxplot(column='收缩压',by='结果',ax=ax4)
ax5=plt.subplot(335)
df.boxplot(column='舒张压',by='结果',ax=ax5)
ax6=plt.subplot(336)
df.boxplot(column='血糖',by='结果',ax=ax6)
ax7=plt.subplot(337)
df.boxplot(column='肌酸激酶同工酶',by='结果',ax=ax7)
ax8=plt.subplot(338)
df.boxplot(column='肌钙蛋白',by='结果',ax=ax8)
plt.show()

关键医学结论：

1. 阳性患者肌钙蛋白、肌酸激酶同工酶数值显著高于阴性，是心梗核心标志物；
2. 心脏病阳性人群心率、血压整体高于健康人群；
3. 男性心脏病发病样本数量更多。

五、特征工程与数据集划分

5.1 标签二值化

将文本标签转换为 0/1 数值：1 = 患病 positive，0 = 健康 negative

python

运行

df['Result_Binary']=(df['结果']=='positive').astype(int)

5.2 筛选核心预测特征

根据医学常识与可视化分布，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

python

运行

features=['性别','年龄','肌酸激酶同工酶','肌钙蛋白']
X=df[features].copy()
y=df['Result_Binary']

5.3 连续特征标准化

年龄、肌酸激酶、肌钙蛋白为连续变量，使用 Z-score 标准化，消除量纲影响（SVM、逻辑回归依赖标准化）

python

运行

continuous_vars=['年龄','肌酸激酶同工酶','肌钙蛋白']
X[continuous_vars]=X[continuous_vars].astype(float)
scaler=StandardScaler()
X.loc[:,continuous_vars]=scaler.fit_transform(X[continuous_vars])

5.4 划分训练集 / 测试集（8:2 分层抽样）

分层抽样保证训练、测试集正负样本比例和原数据一致：

python

运行

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=15,stratify=y)
print(f"训练集大小：{X_train.shape}, 测试集大小：{X_test.shape}")

六、通用模型评估函数（复用所有模型）

统一输出分类报告、混淆矩阵热力图、ROC 曲线 + AUC 值，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)
    # 预测标签
    y_pred=model.predict(X_test)
    print(f"====={model_name} 模型评估=====")
    print(classification_report(y_test,y_pred))
    
    # 绘制混淆矩阵
    cm=confusion_matrix(y_test,y_pred)
    plt.figure(figsize=(8,6))
    plt.imshow(cm, cmap='hot', interpolation='nearest')
    plt.colorbar()
    for i in range(2):
        for j in range(2):
            plt.text(j, i,f'{cm[i, j]:.2f}',ha='center',va='center',color='black')
    plt.title(f'{model_name}混淆矩阵')
    plt.show()
    
    # 计算ROC与AUC
    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(面积={roc_auc:.2f})')
    plt.plot([0,1],[0,1],color='navy',lw=2,linestyle='--')
    plt.xlabel('假阳率(FPR)')
    plt.ylabel('真阳率(TPR)')
    plt.title(f'{model_name}ROC曲线')
    plt.legend(loc="lower right")
    plt.show()
    return model,roc_auc

七、5 种模型训练与性能结果

7.1 逻辑回归（线性基准模型）

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)

结果：准确率 0.83，AUC=0.92；线性模型，可解释性强，但无法捕捉特征非线性关系。

7.2 决策树（单棵树，高可解释）

python

运行

dt_model=DecisionTreeClassifier(random_state=15, class_weight='balanced')
dt_model,dt_auc=evaluate_model(dt_model,"决策树",X_train,X_test,y_train,y_test)

结果：准确率 0.98，AUC=0.98；单树拟合能力极强，无需标准化，可直接输出特征判断规则。

7.3 随机森林（集成树，泛化能力强）

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)

结果：准确率 0.97，AUC=0.99；多棵树集成，缓解单棵决策树过拟合，稳定性最优。

7.4 XGBoost（梯度提升树，工业级高效模型）

python

运行

xgb_model = XGBClassifier(random_state=15, scale_pos_weight=sum(y_train==0)/sum(y_train==1))
xgb_model, xgb_auc = evaluate_model(xgb_model,"XGBoost",X_train,X_test,y_train,y_test)

结果：准确率 0.97，AUC=0.99；梯度提升算法，对医疗不平衡样本适配性优秀。

7.5 SVM 支持向量机（高维分类）

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",X_train,X_test,y_train,y_test)

结果：准确率 0.77，AUC=0.92；本数据集表现最差，对特征噪声敏感，依赖精细调参。

八、模型性能汇总对比表

表格

模型	测试集准确率	AUC 值	优缺点总结
逻辑回归	0.83	0.92	可解释性强，适合基线对比，非线性拟合弱
决策树	0.98	0.98	精度最高，规则直观，易过拟合
随机森林	0.97	0.99	综合最优，泛化能力强，稳定性高
XGBoost	0.97	0.99	梯度提升，医疗不平衡数据表现优秀
SVM	0.77	0.92	效果最差，对数据分布敏感，调参成本高

最优模型结论

1. 若追求最高预测精度：选择决策树，准确率 98%，可直接提取临床判断规则；
2. 若追求泛化能力、线上落地稳定性：选择随机森林 / XGBoost，AUC 达到 0.99，抗噪声能力更强；
3. 逻辑回归适合做基线模型，用于特征重要性分析；SVM 在此场景不推荐优先使用。

九、项目总结与拓展方向

1. 项目收获

1. 掌握医疗表格数据完整处理流程：异常值清洗、生理逻辑纠错、EDA 临床可视化；
2. 熟练 5 种主流分类模型实现，统一评估框架（分类报告、混淆矩阵、ROC-AUC）；
3. 理解医疗预测核心指标：肌钙蛋白、肌酸激酶同工酶是心脏病强区分特征。

2. 后续优化拓展

1. 超参数网格搜索：GridSearchCV 调优树模型、SVM，进一步提升精度；
2. 可解释 AI：SHAP 值分析各临床指标对心脏病预测的贡献度；
3. 类别不平衡优化：SMOTE 过采样处理极端不均衡医疗样本；
4. 系统部署：使用 Flask/Streamlit 搭建网页心脏病风险预测工具；
5. 多模型融合：Stacking 融合随机森林 + XGBoost，进一步提升 AUC。

十、完整源码获取

文中所有代码可直接复制运行，仅需替换Medicaldataset.csv文件路径即可复现全部图表与模型结果。数据集为公开心血管临床数据集，适合机器学习初学者医疗方向练手。

---

博文配套优化建议（发布时使用）

1. 配图：把箱线图、混淆矩阵、ROC 曲线截图插入文章对应段落；
2. 目录：添加 markdown 自动目录，提升阅读体验；
3. 评论区预留：数据集下载链接、答疑；
4. 置顶标签：# 机器学习实战 #医疗数据分析 #XGBoost 心脏病预测