机器学习中的心脏病预测

2025年8月27日 | 阅读 9 分钟

Heart Disease Prediction Using Machine Learning

心血管疾病是全球性的重大健康问题，导致大量死亡。及时的识别和预防措施对于减轻其影响至关重要。最近，一类名为机器学习的创新计算方法在预测和诊断各种疾病方面被证明非常有效，心脏病就是其中之一。通过利用海量数据集和尖端算法，这些模型可以准确地找出易患心脏病的人群，并促进及时干预。本文探讨了通过机器学习预测心脏病的领域，阐明了它在医疗保健领域的希望、挑战和影响。

冠状动脉疾病、心力衰竭和心律不齐等各种疾病都属于“心脏病”这一总称。及早发现易患这些疾病的个体，可以通过及时的干预和生活方式调整，极大地改善患者的健康状况。

现在，我们在给定的临床参数下，尝试预测患者是否患有心脏病。

数据来自 https://archive.ics.uci.edu/ml/datasets/heart+Disease

特点

以下是数据特征的详细信息和描述。

age - 年龄（岁）
sex - （1 = 男性；0 = 女性）
cp - 胸痛类型
- 0：典型心绞痛：与心脏供血不足相关的胸痛
- 1：非典型心绞痛：与心脏无关的胸痛
- 2：非心绞痛：通常是食管痉挛（与心脏无关）
- 3：无症状：无疾病迹象的胸痛
trestbps - 静息血压（入院时毫米汞柱）；通常高于 130-140 会引起关注
chol - 血清胆固醇（毫克/分升）
- serum = LDL + HDL + .2 * 甘油三酯
- 高于 200 会引起关注
fbs - （空腹血糖 > 120 毫克/分升）（1 = 是；0 = 否）
- '>126' 毫克/分升预示糖尿病
restecg - 静息心电图结果
- 0：无特殊情况
- 1：ST-T波异常
  - 可能从轻微症状到严重问题
  - 预示心跳不正常
- 2：可能或明确的左心室肥大
  - 心脏主要泵血腔增大
thalach - 达到的最大心率
exang - 运动引起的胸痛（1 = 是；0 = 否）
oldpeak - 与静息相比，运动引起的ST段压低，观察心脏在不健康运动时的压力，心脏压力更大
slope - 运动高峰期ST段的斜率
- 0：上斜：运动时心率更好（不常见）
- 1：平斜：变化最小（典型健康心脏）
- 2：下斜：心脏不健康的迹象
ca - 造影检查着色的主要血管数量（0-3）
- 着色的血管意味着医生可以看到血液通过
- 血液流动越多越好（无血栓）
thal - 鉈负荷显像结果
- 1,3：正常
- 6：固定缺损：曾经有缺损，但现在已恢复
- 7：可逆性缺损：运动时血液流动不正常
target - 是否患病（1=是，0=否）（= 预测属性）

代码

导入库

#!pip install sklearn
#Import all libraries

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

#Inline matplotlib to view inside this notebook directly
%matplotlib inline

#Models
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier

#Evaluation
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.model_selection import RandomizedSearchCV, GridSearchCV
from sklearn.metrics import confusion_matrix, classification_report
from sklearn.metrics import precision_score, recall_score, f1_score
from sklearn.metrics import plot_roc_curve

加载数据集

dataframe = pd.read_csv("../input/hear2csv/heart (2).csv")
dataframe.shape

输出

EDA（探索性数据分析）

EDA 在理解数据集和提取有价值的见解方面起着至关重要的作用。EDA 包括一系列旨在彻底检查和可视化数据的技术，目的是揭示数据集中可能存在的潜在模式、关系和异常。

输出

#how many classes of one feature or target
dataframe["target"].value_counts()

输出

#bar chart
dataframe["target"].value_counts().plot(kind='bar', color=["salmon","lightblue"])

输出

在这个条形图中，我们可以看到更多的数据样本显示患有心脏病。

输出

#check missing values of all features
>dataframe.isna().sum()

输出

按性别划分的心脏病发病率

输出

#Compare target and sex column
pd.crosstab(df.target, df.sex)

输出

#Create a plot of crosstab
pd.crosstab(dataframe.target, dataframe.sex).plot(kind="bar",figsize=(10,6),color=["salmon","lightblue"])
plt.title("Heart Disease Frerquency for Sex")
plt.xlabel("0 = No Disease, 1=Disease")
plt.ylabel("Amount")
plt.legend(["Female","Male"]);
plt.xticks(rotation=0);

输出

从上面的条形图可以看出，在这个数据集中，女性患心脏病的频率比男性高。

心脏病患者的年龄与最大心率

#Create a new figure
plt.figure(figsize=(10,6))

#Scatter with positive examples
plt.scatter(dataframe.age[dataframe.target==1],
           dataframe.thalach[dataframe.target==1],
           c="salmon")

#Scatter with negative examples
plt.scatter(dataframe.age[dataframe.target==0],
           dataframe.thalach[dataframe.target==0],
           c="lightblue");

#Add some helpful info
plt.title("Heart Disease in function of Age and Max Heart Rate")
plt.xlabel("Age")
plt.ylabel("Max Heart Rate")
plt.legend(["Disease", "No Disease"])

输出

心脏病患者达到最大心率的可能性更高。

#Check the distribution of the age column with a histogram
#May check for outliers of the data
dataframe.age.plot.hist()

输出

在这个直方图中，我们可以看到大约一半的样本年龄在 55 至 65 岁之间。其余的年龄在 40 到 70 岁之间。也有一些样本年龄在 30-40 岁和 70 岁以上。

按胸痛类型划分的心脏病发病率

cp - 胸痛类型

0：典型心绞痛：与心脏供血不足相关的胸痛
1：非典型心绞痛：与心脏无关的胸痛
2：非心绞痛：通常是食管痉挛（与心脏无关）
3：无症状：无疾病迹象的胸痛

输出

# Make crosstab visualise
pd.crosstab(dataframe.cp,dataframe.target).plot(kind="bar",figsize=(10,6),color=["salmon","lightblue"])

plt.title("Heart Disease Frequency Per Chest Pain Type")
plt.xlabel("CHest Pain Type")
plt.ylabel("Amount")
plt.legend(["No Disease","Disease"])
plt.xticks(rotation=0)

输出

大多数心脏病患者遭受第三种胸痛类型，即非心绞痛，还有一些患者遭受第一种胸痛类型，典型心绞痛和非典型心绞痛。尽管第二和第三种胸痛类型与心脏无关，但数据显示患者会遭受这些胸痛。为了得出结论，我们可能需要咨询一些医疗专业人士征求他们的意见。

建模

#Split data into X and y for training features and the target variable
X=dataframe.drop("target",axis=1)
y=dataframe["target"]


#Split data into train and test sets
np.random.seed(42)
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)

训练基线模型

在这里，我们将使用以下机器学习模型

逻辑回归
K-近邻分类器
随机森林分类器

#Put models in a dictionary

models = {"Logistic Regression": LogisticRegression(),
         "KNN": KNeighborsClassifier(),
         "Random Forest": RandomForestClassifier()}

#Create a function to fit and score models
def fit_and_score(models, X_train, X_test, y_train, y_test):
    """
    Fits and evaluates given machine learning models.
    models: a dict of different Scikit-Learn machine learning models
    X_train: training data (no labels)
    X_test: testing data (no labels)
    y_train: training labels
    y_test: test labels
    """
    #set a random seed
    np. random.seed(42)
    #dictionary to keep model scores
    model_scores = {}
    #loop thru models
    for name, model in models.items():
        #fit model
        model.fit(X_train, y_train)
        #evaluate model and append score
        model_scores[name]=model.score(X_test, y_test)
    return model_scores


model_scores = fit_and_score(models=models, X_train=X_train, X_test=X_test, y_train=y_train, y_test=y_test)
model_scores

输出

基线模型比较

model_compare = pd.DataFrame(model_scores, index=["accuracy"])
model_compare.T.plot.bar()

输出

对于基线模型，逻辑回归和随机森林的效果比 KNN 好得多。

超参数调整

我们将采用以下超参数调整方法

手动调整
RandomizedSearchCV
GridSearchCV

手动调整

#Tune knn
train_scores = []
test_scores = []

#list for different values of n-neighbors
neighbors = range(1,21)

#set up knn instance
knn = KNeighborsClassifier()

#loop through a list
for i in neighbors:
    knn.set_params(n_neighbors=i)
    
    #fit the model
    knn.fit(X_train, y_train)
    
    # Update the training scores list
    train_scores.append(knn.score(X_train, y_train))
    
    # Update the test scores list
    test_scores.append(knn.score(X_test, y_test))
    


test_scores

输出

plt.plot(neighbors, train_scores, label="Train score")
plt.plot(neighbors, test_scores, label="Test score")
plt.xticks(np.arange(1, 21, 1))
plt.xlabel("Number of neighbors")
plt.ylabel("Model score")
plt.legend()

print(f"Maximum KNN score on the test data: {max(test_scores)*100:.2f}%")

输出

KNN 在测试数据上的最高得分：75.41%

调整 k 值参数后，KNN 分类器的性能有所提高，但性能仍低于逻辑回归和随机森林。

使用 RandomizedSearchCV 进行超参数调整

#Create a hyperparameter grid for LR
log_reg_grid = {"C": np.logspace(-4,4,20),
                "solver": ["liblinear"]}

#Create a hyperparameter grid for RF
rf_grid = {"n_estimators": np.arange(10,1000,50),
          "max_depth": [None,3,5,10],
          "min_samples_split": np.arange(2,20,2),
          "min_samples_leaf": np.arange(1,20,2)}


# Tune LogisticRegression

np.random.seed(42)

# Setup random hyperparameter search for LogisticRegression
rs_log_reg = RandomizedSearchCV(LogisticRegression(),
                                param_distributions=log_reg_grid,
                                cv=5,
                                n_iter=20,
                                verbose=True)

# Fit random hyperparameter search model for LogisticRegression
rs_log_reg.fit(X_train, y_train)

输出

rs_lr_score = rs_log_reg.score(X_test,y_test)

#Tune RF

#Set random parameter search for RF
np.random.seed(42)
rs_rf = RandomizedSearchCV(RandomForestClassifier(),
                            param_distributions=rf_grid,
                                cv=5,
                                n_iter=20,
                                verbose=True)
#Fit random hyperparameter search model for RF
rs_rf.fit(X_train,y_train)

输出

#Find the best hyperparameter
rs_rf.best_params_

输出

#Evaluate the randomized search RF model
rs_rf_score =rs_rf.score(X_test, y_test)
#default model scores
model_scores

输出

使用 RandomizedSearchCV，随机森林模型的性能有所提高。但逻辑回归模型的性能仍然更高。

使用 GridSearchCV 进行超参数调整

#Different hyperparameters for the LR model
log_reg_grid = {"C": np.logspace(-4,4,30),
               "solver": ["liblinear"]}

#Setup grid hyperparameter for LR
gs_log_reg = GridSearchCV(LogisticRegression(),
                         param_grid=log_reg_grid,
                         cv=5,
                         verbose=True)

#Fit into model
gs_log_reg.fit(X_train,y_train)

输出

#check best hyperparameters
gs_log_reg.best_params_

输出

#Evaluate grid search LR model
gs_lr_score = gs_log_reg.score(X_test,y_test)


model_scores.update( [('RandomizedS LR',rs_lr_score),('RandomizedS RF',rs_rf_score),('GridS LR',gs_lr_score)] )
model_compare2 = pd.DataFrame(model_scores, index=["accuracy"])
model_compare2.T.plot.bar(legend=False)

输出

逻辑回归在所有不同的超参数调整模型上都获得了相同的分数。

在三种不同的分类器中，逻辑回归在训练阶段表现出最佳的性能得分。

评估超越准确性的调整后机器学习分类器

我们将使用以下指标进行评估

ROC 曲线和 AUC 分数
混淆矩阵
分类报告
精度
召回率
F1 分数

#Make predictions with a tuned model
y_preds = gs_log_reg.predict(X_test)
y_preds

输出

#Plot the ROC curve and calculate the AUC metric
plot_roc_curve(gs_log_reg, X_test, y_test)

输出

#Confusion matrix
print(confusion_matrix(y_test, y_preds))

输出

sns.set(font_scale=1.5)

def plot_conf_mat(y_test,y_preds):
    """
    Plot a nice-looking confusion matrix using Seaborn's heatmap.
    """
    fig,ax = plt.subplots(figsize=(3,3))
    ax=sns.heatmap(confusion_matrix(y_test,y_preds),
                  annot=True,
                  cbar=False)
    plt.xlabel("Predicted label")
    plt.ylabel("True label")
    
    bottom, top = ax.get_ylim()
    ax.set_ylim(bottom + 0.5, top - 0.5)
    
plot_conf_mat(y_test, y_preds)

输出

分类报告

#Using only one split
print(classification_report(y_test,y_preds))

输出

使用 cross_val_score() 函数通过交叉验证计算评估指标

#Check best hyperparameters
gs_log_reg.best_params_ 

输出

#Create a new classifier with the best parameters
clf = LogisticRegression(C=0.20433597178569418,
                        solver="liblinear")


# Cross-validated accuracy
cv_acc= cross_val_score(clf,
                       X,
                       y,
                       cv=5,
                       scoring="accuracy")
cv_acc

输出

cv_acc = np.mean(cv_acc)
cv_acc

输出

#Cross-validated precision
cv_precision= cross_val_score(clf,
                       X,
                       y,
                       cv=5,
                       scoring="precision")
cv_precision = np.mean(cv_precision)
cv_precision

输出

#Cross-validated recall
cv_recall= cross_val_score(clf,
                       X,
                       y,
                       cv=5,
                       scoring="recall")
cv_recall = np.mean(cv_recall)
cv_recall

输出

#Cross-validated f1
cv_f1= cross_val_score(clf,
                       X,
                       y,
                       cv=5,
                       scoring="f1")
cv_f1 = np.mean(cv_f1)
cv_f1

输出

#Visualise cross-validated metrics
cv_metrics = pd.DataFrame({"Accuracy": cv_acc,
                          "Precision": cv_precision,
                          "Recall": cv_recall,
                          "F1": cv_f1},
                          index=[0])

cv_metrics.T.plot.bar(title="Cross-validated classification metrics",
                      legend=False);

输出

特征重要性

特征重要性就像在问“哪些特征对模型的输出贡献最大，以及它们是如何贡献的？”

对于每个机器学习模型，寻找特征重要性的方法都不同。

我们可以参考特征重要性来指导未来数据的收集。

#Fit an instance of LR
clf = LogisticRegression(C=0.20433597178569418,
                        solver="liblinear")

clf.fit(X_train,y_train);
#Check coef_
clf.coef_

输出

#Match coef to columns
feature_dict = dict(zip(dataframe.columns, list(clf.coef_[0])))
feature_dict

输出

#Visualise feature importance
feature_df = pd.DataFrame(feature_dict,index=[0])
feature_df.T.plot.bar(title="Feature Importance",legend=False)

输出

根据可视化结果，

胸痛类型（cp）
静息心电图结果（restecg）
运动高峰期 ST 段的斜率（slope）

具有很强的特征重要性。

另一方面，性别的重要性最低。

将机器学习技术应用于心脏病预测面临一系列需要克服的挑战。这些挑战包括需要广泛、多样且经过仔细策划的数据集、数据采集过程中可能存在的偏差以及模型本身的解释性。解决这些障碍需要医疗专家、数据科学家和监管机构之间的合作努力，以确保机器学习算法的合乎道德和高效的应用。

结论

利用机器学习进行心脏病预后是医疗保健领域向前迈出的重要一步。通过利用先进的算法和广泛的数据分析，我们能够采用前瞻性和量身定制的方法来对抗心脏病。随着研究和技术进步的不断推进，利益相关者必须团结起来，确保审慎的执行，应对挑战，并最大化这项革命性技术的优势。通过早期识别和预防措施，我们致力于创造一个全球心血管健康得到显著改善的未来。

下一主题使用机器学习进行 OCR

机器学习中的心脏病预测

特点

导入库

加载数据集

EDA（探索性数据分析）

按性别划分的心脏病发病率

心脏病患者的年龄与最大心率

按胸痛类型划分的心脏病发病率

相关性

建模

训练基线模型

基线模型比较

超参数调整

手动调整

使用 RandomizedSearchCV 进行超参数调整

使用 GridSearchCV 进行超参数调整

评估超越准确性的调整后机器学习分类器

特征重要性

结论

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

机器学习

监督式学习

分类

杂项

相关教程

面试题

机器学习中的心脏病预测

特点

导入库

加载数据集

EDA（探索性数据分析）

按性别划分的心脏病发病率

心脏病患者的年龄与最大心率

按胸痛类型划分的心脏病发病率

相关性

建模

训练基线模型

基线模型比较

超参数调整

手动调整

使用 RandomizedSearchCV 进行超参数调整

使用 GridSearchCV 进行超参数调整

评估超越准确性的调整后机器学习分类器

特征重要性

结论

相关帖子

CLIP 和多模态模型简介

机器学习的特征值和特征向量

如何在 Matlab 中加载多个图像？

聚类性能评估

使用智能手机进行人类活动识别

什么是 Epoch

机器学习中的竞技跑者伤病预测

如何在 PyTorch 中获取模型摘要

决策树分类算法

机器学习中的猫分类

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器