一、引言 在医疗大数据浪潮席卷下，机器学习正深度融入疾病诊断领域，成为破解复杂医疗数据、辅助精准诊断的关键力量。心脏病作为全球健康的“头号杀手”，其早期精准识别对挽救生命意义重大。本文聚焦医疗数据集，以Python为工具，全方位呈现心脏病诊断分类模型构建全流程——从原始数据清洗打磨，到模型构建评估，力求为医疗数据分析与智能诊断落地，提供清晰可循的实践路径，助力挖掘数据背后的疾病诊疗价值。 二、环境准备与数据读取 （一）库导入：搭建分析“工具箱” 机器学习实践，离不开高效工具库支撑。我们导入 pandas 作为数据处理“基石”，用 numpy 夯实数值计算基础； matplotlib 与 seaborn （虽本文未显式调用 seaborn ，但其在可视化场景中常作补充 ）构建可视化“窗口”，直观呈现数据特征； scikit-learn 覆盖数据预处理、模型构建到评估全环节，是机器学习核心“武器”； xgboost 则以高性能梯度提升，为模型精度“加码”。同时，通过设置忽略警告、配置中文显示，扫清实践障碍： python 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.svm import SVC from sklearn.ensemble import RandomForestClassifier from xgboost import XGBClassifier from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc import warnings warnings.filterwarnings('ignore') # 屏蔽干扰警告，聚焦核心分析 plt.rcParams['font.sans-serif'] = 'SimHei' # 让图表中文清晰显示 plt.rcParams['axes.unicode_minus'] = False # 修复负号显示异常问题 （二）数据读取：开启医疗数据“探秘” 借助 pandas 读取 Medicaldataset.csv 数据集，通过 head() 快速浏览数据概貌，初步认知字段构成—— Age （年龄）、 Gender （性别）等特征，搭配目标变量 Result （诊断结果， positive / negative 标识患病与否 ），为后续分析锚定方向： python data = pd.read_csv('Medicaldataset.csv') data.head() # 一瞥数据结构，把握分析起点 三、数据预处理：为模型筑牢“地基” （一）数据基本信息查看：洞察数据“原生态” 调用 info() 方法，深度扫描数据——列名、非空值数量、数据类型清晰呈现。本数据集无空缺值，为后续处理省去插值等繁琐操作， int64 、 float64 、 object 等类型有序分布，确保分析流程顺畅推进： python data.info() # 摸清数据“家底”，规划处理路径 （二）重复值处理：守护数据“纯净度” 数据重复会干扰模型学习，通过 duplicated().sum() 排查，本数据集幸运“无重复”，但通用流程不能少——若存在重复， drop_duplicates() 一键净化，保障数据唯一性： python data.duplicated().sum() # 排查重复“隐患” data = data.drop_duplicates() # 净化数据，留存唯一 （三）异常值检测与处理：雕琢数据“精度” 为特征创建中文映射 feature_map ，让箱线图解读更直观。绘制箱线图，心率、血压等特征的极端异常值“原形毕露”。结合医疗常识，精准“手术刀”处理：删除心率>1000、收缩压140的离谱记录；发现舒张压>收缩压的“乌龙”数据，果断调换修正，让数据贴合医疗逻辑： python feature_map = { 'Age': '年龄', 'Gender': '性别', 'Heart rate': '心率', 'Systolic blood pressure': '收缩压', 'Diastolic blood pressure': '舒张压', 'Blood sugar': '血糖', 'CK-MB': '肌酸激酶同工酶', 'Troponin': '肌钙蛋白', 'Result': '诊断结果' } plt.figure(figsize=(20, 15)) for i, (col, col_name) in enumerate(feature_map.items(), 1): plt.subplot(3, 3, i) plt.boxplot(data[col]) plt.title(f'{col_name}的箱线图', fontsize=14) plt.ylabel('数值', fontsize=12) plt.grid(axis='y', linestyle='--', alpha=0.7) plt.tight_layout() plt.show() # 可视化异常，精准定位问题 print(f'处理前数据量: {len(data)}') data = data[data['Heart rate'] = 50] data = data[data['Diastolic blood pressure'] data['Systolic blood pressure']] print(f'发现舒张压大于收缩压的记录数: {len(wrong_bloodpressure)}') wrong_bloodpressure_index = wrong_bloodpressure.index data.loc[wrong_bloodpressure_index, ['Systolic blood pressure', 'Diastolic blood pressure']] = data.loc[wrong_bloodpressure_index, ['Diastolic blood pressure', 'Systolic blood pressure']].values # 修正数据逻辑错误 四、数据分析与可视化：挖掘数据“隐藏密码” （一）描述性统计分析：勾勒数据“轮廓” describe().T 横向展开数据统计画卷——均值、标准差、最值等指标，清晰呈现患者年龄、心率、血压等分布特征。年龄均值约56岁、心率均值约76次/分钟等信息，为理解患者群体基线水平提供依据： python data.describe().T # 一键获取数据统计“全景图” （二）单特征分布可视化：洞察特征“规律” 以年龄、性别为例，绘制核密度图+直方图、饼图，多维呈现数据分布。年龄核密度图勾勒分布形态，直方图量化区间人数；性别饼图直观展现男女占比，让特征分布“可视化、可解读”，为后续关联分析铺陈： python # 患者年龄分布：核密度+直方图，双视角洞察 plt.figure(figsize=(20, 15)) plt.subplot(3, 3, 1) data['Age'].plot(kind='kde', color='red', label='核密度图') data['Age'].plot(kind='hist', bins=12, secondary_y=True) plt.title('患者年龄分布') plt.xlabel('年龄（岁）') plt.ylabel('人数') plt.grid(axis='y', linestyle='--') # 患者性别分布：饼图直观呈现占比 plt.subplot(3, 3, 2) gender_counts = data['Gender'].value_counts() plt.pie(gender_counts, labels=['男', '女'], autopct='%1.1f%%', startangle=75, colors=['#66b3ff', '#ff9999']) plt.title('患者性别分布') plt.axis('equal') # 让饼图更规整 同理，心率、血压等特征可依此可视化，全面掌握数据分布脉络。 （三）特征与诊断结果关联分析：挖掘疾病“关联因子” 通过箱线图、饼图，深度剖析特征与诊断结果（ positive 患病/ negative 未患病 ）的关联。年龄箱线图对比患病与未患病群体年龄分布差异；性别饼图聚焦患病群体男女占比，为挖掘疾病影响因素提供线索。延伸分析心率、血压、 CK-MB 、 Troponin 等与诊断结果的关联，层层剥茧，探寻疾病潜在规律： python # 年龄与诊断结果：箱线图对比分布差异 plt.subplot(3, 3, 1) positive_ages = data[data['Result'] == 'positive']['Age'] negative_ages = data[data['Result'] == 'negative']['Age'] plt.boxplot([positive_ages, negative_ages], labels=['Positive', 'Negative']) plt.title('年龄与心脏病诊断结果的关系') plt.ylabel('年龄') # 性别与诊断结果：饼图聚焦患病群体占比 plt.subplot(3, 3, 2) positive_data = data.loc[data['Result'] == 'positive'] gender_positive_counts = positive_data['Gender'].value_counts() plt.pie(gender_positive_counts, labels=['男', '女'], autopct='%1.1f%%', startangle=75, colors=['#66b3ff', '#ff9999']) plt.title('性别与心脏病诊断结果的关系') 五、分类模型构建与预测：开启智能诊断“新篇” （一）数据转换与划分：为模型“备粮” 将目标变量 Result 转换为0-1（ positive →1， negative →0 ），明确特征（ Gender 、 Age 等 ）与目标变量。对连续变量标准化，消除量纲影响；按8:2划分训练集、测试集，保障模型训练与评估科学有效： python # 目标变量二值化，适配模型输入 data['Result_Binary'] = (data['Result'] == 'positive').astype(int) # 定义特征与目标变量，锁定分析维度 features = ['Gender', 'Age', 'CK-MB', 'Troponin'] X = data[features].copy() y = data['Result_Binary'] # 连续变量标准化，让模型“公平”学习 continuous_vars = ['Age', 'CK-MB', 'Troponin'] X[continuous_vars] = X[continuous_vars].astype(float) scaler = StandardScaler() X.loc[:, continuous_vars] = scaler.fit_transform(X[continuous_vars]) # 划分数据集，构建训练-测试闭环 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=15, stratify=y) （二）模型评估函数定义：打造评估“标尺” 定义 evaluate_model 函数，封装模型训练、预测、评估全流程——输出分类报告（精确率、召回率等 ），绘制混淆矩阵（可视化分类正误 ）、ROC曲线（衡量模型区分能力 ），让不同模型评估“标准化、自动化”： python def evaluate_model(model, model_name, X_train, X_test, y_train, y_test): # 模型训练：让模型“学习”数据规律 model.fit(X_train, y_train) # 预测：检验模型“学习成果” y_pred = model.predict(X_test) # 分类报告：量化评估指标 print(f'=== {model_name} 模型评估 ===') print(classification_report(y_test, y_pred)) # 混淆矩阵：可视化分类正误 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}模型混淆矩阵') plt.show() # ROC曲线：评估模型区分能力 if hasattr(model, "predict_proba"): y_prob = model.predict_proba(X_test)[:, 1] else: y_prob = model.decision_function(X_test) if hasattr(model, "decision_function") else y_pred 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('假阳性率') plt.ylabel('真阳性率') plt.title(f'{model_name}模型ROC曲线') plt.legend(loc='lower right') plt.show() return model, roc_auc （三）不同模型构建与评估：角逐智能诊断“赛场” 1. 逻辑回归模型：作为线性模型“经典代表”，以简洁性、可解释性见长。 class_weight='balanced' 平衡样本，适配医疗数据类别不均场景，通过 evaluate_model 输出评估报告，展现线性分类能力： python 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) 2. 决策树模型：基于树结构“分段”分类，直观可解释。同样配置 class_weight ，平衡类别影响，在测试集检验其对非线性关系的捕捉能力： python 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) 3. 随机森林模型：集成多棵决策树，以“集体智慧”提升泛化能力。通过随机采样、特征随机选择，降低过拟合风险，在医疗数据分类中常展现稳健性能： python 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) 4. XGBoost模型：梯度提升框架“佼佼者”，兼顾精度与效率。 scale_pos_weight 平衡样本权重，针对医疗数据优化，挖掘复杂特征关联，助力精准诊断： python 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) 六、结果分析与总结：锚定智能诊断“方向” 对比逻辑回归、决策树、随机森林、XGBoost模型表现： - 随机森林、XGBoost：分类报告指标（精确率、召回率、F1-score ）优异，混淆矩阵正确分类多，ROC曲线AUC高，展现强大的患病-未患病区分能力，适配医疗诊断对精度的高要求。 - 逻辑回归：线性假设使其在简单关系中高效，但面对医疗数据复杂非线性，拟合能力受限，胜在模型简洁、可解释性强，适合初步分析或需解释特征影响场景。 - 决策树：可解释性突出，便于挖掘特征重要性，但易过拟合，需精细调参（如限制树深度、设置样本划分阈值 ），在医疗场景中，若需解释诊断依据，是不错的选择。 本次实践完整贯通医疗数据预处理、分析、模型构建全流程，验证了机器学习在心脏病诊断中的应用潜力。不同模型各有适配场景，实际开发中，需结合数据特性（如特征复杂度、样本规模 ）、资源（计算力、存储 ）与需求（可解释性优先级 ）择优选取，甚至尝试模型融合（如Stacking、Blending ），进一步突破性能瓶颈，为医疗智能诊断筑牢技术根基，让数据驱动的精准医疗触手可及。
本文围绕医疗大数据为背景，借助Python完整呈现心脏病诊断分类模型构建流程，为医疗智能诊断实践提供清晰路径。 一、核心流程回顾 1. 数据处理：从读取 Medicaldataset.csv 数据集起步，经 info() 确认数据质量（无空缺值 ）， drop_duplicates() 保障唯一性；通过箱线图精准识别异常值，结合医疗知识删除极端记录、修正舒张压与收缩压逻辑错误，为模型筑牢数据基础。 2. 分析可视化：利用 describe().T 开展描述性统计，把握患者年龄、心率等指标分布；绘制核密度图、直方图、饼图等，直观呈现单特征分布；借箱线图、饼图剖析特征与诊断结果关联，挖掘疾病潜在影响因素。 3. 模型构建评估：转换目标变量、标准化连续特征、划分训练测试集后，定义 evaluate_model 函数封装训练、预测、评估流程；构建逻辑回归、决策树、随机森林、XGBoost模型，对比发现随机森林与XGBoost在分类精度、区分能力上表现更优，逻辑回归简洁可解释，决策树易过拟合但可解释性强。 二、实践价值与启示 该实践验证机器学习在医疗诊断的应用潜力，不同模型适配场景各异：数据简单、需强解释性选逻辑回归；需挖掘特征重要性、可接受一定过拟合风险用决策树；追求泛化能力、精度优先则选随机森林或XGBoost 。实际开发可依数据特性（复杂度、规模 ）、资源（计算力 ）与需求（可解释性优先级 ）择取模型，或尝试融合（如Stacking ）突破性能瓶颈，助力数据驱动的精准医疗落地，为医疗智能诊断技术发展与应用提供实操参考，推动医疗数据分析从理论探索迈向实际效能提升。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
