---

流程

1.数据导入，清洗拆分

2.通过sklearn得到数据模型

3.开始预测（这里我们将用回归和决策树来进行预测）

前期准备

数据

心脏病数据下载

导包

```
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
复制

这里我们主要是sklearn的包，以及numpy，方便对于数据进行操作

数据操作

准备 样本数据 结果数据

最后一列是我们的结果，我们需要把我们的结果和各项身体数据进行分离

#删除最后一列  样本数据
features=heart_df.drop(columns=["target"])
#保存标签 结果数据
target=heart_df["target"]
复制

切分训练集

我们的训练集合的比列以3：1最为合适，即学习数据75%，预测数据25%，在sklearn里面也会有专门的函数来采集样本

#切分训练集
X_train,X_test,Y_train,Y_test=train_test_split(features,target,test_size=0.25)
复制

训练数据

逻辑回归

def test_logistic(*data):
    X_train, X_test, Y_train, Y_test=data
    clf=LogisticRegression()#逻辑回归
    clf.fit(X_test,Y_test)#梯度下降，递归
    print("学习模型预测成绩：{:.4f}".format(clf.score(X_train,Y_train)))
    print("实际模型预测成绩：{:.4f}".format(clf.score(X_test, Y_test)))
复制

决策树

def test_decision_tree(*data):
    X_train, X_test, Y_train, Y_test = data
    clf=DecisionTreeClassifier(max_depth=3,criterion="entropy")
    clf.fit(X_train,Y_train)
    print("学习模型决策树预测成绩：{:.4f}".format(clf.score(X_train, Y_train)))
    print("实际模型决策树预测成绩：{:.4f}".format(clf.score(X_test, Y_test)))
    # decision_tree_pre=clf.predict(X_test)
    # print("decision_tree:",decision_tree_pre)
    # print("true lbel:",Y_test)
    return clf
复制

结果

这样我们的预测就完成了，我们一起来看看结果吧

决策树的结果可以输出喔

总结

经过这一顿操作下来，我们一起再好好的总结一下，起始就是将我们的数据的取值情况和它的特征先分开，然后我们利用train_test_split去获得取值，然后直接使用clf函数来进行学习，再去对我们的结果获取成绩