机器学习算法构建预测心血管疾病模型

---

前言

心血管疾病是当前全球范围内的重大公共健康问题，其发病率和相关死亡率居高不下。随着生活方式的改变、环境因素的影响以及人口老龄化的加剧，心血管疾病的发病趋势愈加严峻。本文将通过机器学习算法构建预测心血管疾病的模型

---

一、数据收集

id 账号
Age | Objective Feature | 年龄 以天为单位
Height | Objective Feature | height | int (cm) 身高
Weight | Objective Feature | weight | float (kg) |体重
Gender | Objective Feature | gender | categorical code |性别
Systolic blood pressure | Examination Feature | ap_hi | int |收缩压
Diastolic blood pressure | Examination Feature | ap_lo | int |舒张压
Cholesterol | Examination Feature | cholesterol | 1: normal, 2: above normal, 3: well above normal |胆固醇是否正常
Glucose | Examination Feature | gluc | 1: normal, 2: above normal, 3: well above normal |葡萄糖检测是否正常
Smoking | Subjective Feature | smoke | binary 是否吸烟
Alcohol intake | Subjective Feature | alco | binary |酒精摄入
Physical activity | Subjective Feature | active | binary |体力活动
Presence or absence of cardiovascular disease | Target Variable | cardio | binary |是否患有心血管疾病

二、模型构建

1.引入库

代码如下（示例）：

import warnings
warnings.filterwarnings('ignore')
import numpy as np
import pandas as pd
from sklearn import metrics, preprocessing
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_network import MLPClassifier
from sklearn.svm import SVC
from sklearn.metrics import classification_report
from sklearn.preprocessing import LabelEncoder
import matplotlib.pyplot as plt
import seaborn as sns

2.数据导入加载

首先加载数据集，并对数据进行基本的探索性分析，包括查看数据的基本信息、统计摘要、特征分布等。

代码如下（示例）：

d = pd.read_csv('D:/Anconda/xinxueguan1.csv')

d.head()
d.info()
print(d.isnull().sum())

• import语句导入需要的库和模块。 使用pd.read_csv()载入数据集。

• d.head()和d.info()用于查看数据的前几行和基本信息（列数、非空值等）。

• d.isnull().sum()检查并打印出每列的缺失值数量。

3.数据清洗

在检查数据并剔除其中包含的错误、重复或无效数据，以提高数据质量。
代码如下（示例）：

d.drop(d[(d['height'] > d['height'].quantile(0.975)) | (d['height'] < d['height'].quantile(0.025))].index,inplace=True)
d.drop(d[(d['weight'] > d['weight'].quantile(0.975)) | (d['weight'] < d['weight'].quantile(0.025))].index,inplace=True)
d.drop(d[(d