<think>我们正在处理一个数据挖掘分类任务，目标是分析心脏病患病概率。我们将使用PyCharm作为开发环境，选择合适的分类算法（如逻辑回归、决策树、随机森林等）来构建模型。以下步骤将指导完成此任务：###步骤1:数据准备首先，我们需要一个关于心脏病的数据集。这里假设我们使用UCI机器学习库中的心脏病数据集（例如Cleveland心脏病数据集）。数据集通常包含多个特征（如年龄、性别、胸痛类型等）和标签（是否患病）。###步骤2:安装必要的库在PyCharm中，创建一个新的Python项目，并安装以下库：-pandas：用于数据处理-numpy：用于数值计算-scikit-learn：用于机器学习算法-matplotlib和seaborn：用于数据可视化（可选）可以通过PyCharm的终端运行：```bashpipinstallpandasnumpyscikit-learnmatplotlibseaborn```###步骤3:加载和探索数据```pythonimportpandasaspd#加载数据集，假设数据集文件名为'heart.csv'data=pd.read_csv('heart.csv')#查看数据前五行print(data.head())#查看数据集信息print(data.info())#检查是否有缺失值print(data.isnull().sum())```###步骤4:数据预处理-处理缺失值（如果存在）-特征选择-将分类变量转换为数值变量（如果需要）-数据标准化/归一化（可选，有些算法需要）```pythonfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardScaler#假设数据集中特征列名为'features'，目标列为'target'X=data.drop('target',axis=1)#特征矩阵y=data['target']#目标变量#划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)#标准化特征（可选，逻辑回归、SVM等需要）scaler=StandardScaler()X_train=scaler.fit_transform(X_train)X_test=scaler.transform(X_test)```###步骤5:选择并训练分类模型这里以逻辑回归为例，也可以尝试其他分类算法（如随机森林、SVM等）。```pythonfromsklearn.linear_modelimportLogisticRegressionfromsklearn.metricsimportaccuracy_score,classification_report,confusion_matrix#创建逻辑回归模型model=LogisticRegression(max_iter=1000)#max_iter参数确保收敛#训练模型model.fit(X_train,y_train)#预测测试集y_pred=model.predict(X_test)#评估模型accuracy=accuracy_score(y_test,y_pred)print(f"模型准确率:{accuracy:.2f}")print("\n分类报告:")print(classification_report(y_test,y_pred))print("\n混淆矩阵:")print(confusion_matrix(y_test,y_pred))```###步骤6:尝试其他算法（可选）例如，使用随机森林：```pythonfromsklearn.ensembleimportRandomForestClassifier#创建随机森林模型rf_model=RandomForestClassifier(n_estimators=100,random_state=42)rf_model.fit(X_train,y_train)rf_pred=rf_model.predict(X_test)#评估随机森林模型rf_accuracy=accuracy_score(y_test,rf_pred)print(f"随机森林准确率:{rf_accuracy:.2f}")```###步骤7:模型优化（超参数调优）使用网格搜索或随机搜索调优模型参数。```pythonfromsklearn.model_selectionimportGridSearchCV#定义参数网格param_grid={'C':[0.001,0.01,0.1,1,10,100],#正则化强度的倒数'penalty':['l1','l2'],#正则化类型'solver':['liblinear']#适用于小数据集的求解器}#网格搜索grid_search=GridSearchCV(LogisticRegression(max_iter=1000),param_grid,cv=5)grid_search.fit(X_train,y_train)#输出最佳参数和模型性能print("最佳参数:",grid_search.best_params_)best_model=grid_search.best_estimator_y_pred_best=best_model.predict(X_test)accuracy_best=accuracy_score(y_test,y_pred_best)print(f"优化后的模型准确率:{accuracy_best:.2f}")```###步骤8:结果分析-分析特征重要性（针对随机森林等模型）-绘制混淆矩阵、ROC曲线等-根据业务需求解释模型```python#以随机森林为例，查看特征重要性importmatplotlib.pyplotaspltfeature_importances=rf_model.feature_importances_features=X.columnsplt.barh(features,feature_importances)plt.xlabel("特征重要性")plt.ylabel("特征名称")plt.title("随机森林特征重要性")plt.show()```###注意事项：1.确保数据集路径正确，如果使用UCI数据集，可能需要下载并放在项目目录中。2.不同的算法对数据预处理的要求不同，需要根据算法特性进行适当处理。3.模型评估指标除了准确率，还应该考虑查准率、查全率、F1分数等，特别是当数据不平衡时。现在，您可以按照这些步骤在PyCharm中实现心脏病患病概率的预测。§§相关问题§§1.心脏病数据集中常用的特征有哪些？2.如何解决心脏病数据集中类别不平衡问题？3.除了逻辑回归和随机森林，还有哪些适合的分类算法？</think>
以下是使用 PyCharm 实现数据挖掘分类算法分析心脏病患病概率的完整方法和代码示例。我将分步骤指导您完成整个流程，使用经典的克利夫兰心脏病数据集（UCI Heart Disease Dataset）。
### 方法步骤
1. **环境配置**
2. **数据获取与预处理**
3. **特征工程**
4. **模型选择与训练**
5. **模型评估与优化**
6. **概率预测分析**
### 完整代码实现
```python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score, confusion_matrix
from sklearn.svm import SVC
# ========== 1. 数据加载 ==========
# 下载数据: https://archive.ics.uci.edu/ml/datasets/heart+disease
# 保存为'heart.csv'放在项目目录中
heart_data = pd.read_csv('heart.csv')
# ========== 2. 数据预处理 ==========
# 检查缺失值
print("缺失值统计:\n", heart_data.isnull().sum())
# 处理缺失值（该数据集通常无缺失，这是通用处理逻辑）
if heart_data.isnull().any().any():
heart_data.fillna(heart_data.median(), inplace=True)
# 转换目标变量：0-健康，1-患病
heart_data['target'] = np.where(heart_data['target'] > 0, 1, 0)
# ========== 3. 特征工程 ==========
# 分割特征和目标
X = heart_data.drop('target', axis=1)
y = heart_data['target']
# 标准化特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 特征重要度分析（随机森林）
model_rf = RandomForestClassifier()
model_rf.fit(X_scaled, y)
feature_importance = pd.Series(model_rf.feature_importances_, index=X.columns)
print("\n特征重要度排序:")
print(feature_importance.sort_values(ascending=False).head(5))
# ========== 4. 模型训练 ==========
# 数据集拆分
X_train, X_test, y_train, y_test = train_test_split(
X_scaled, y, test_size=0.2, random_state=42, stratify=y
)
# 随机森林模型
rf_params = {'n_estimators': [100, 200], 'max_depth': [5, 10]}
rf_model = GridSearchCV(RandomForestClassifier(), rf_params, cv=5)
rf_model.fit(X_train, y_train)
# SVM模型
svm_model = SVC(probability=True)
svm_model.fit(X_train, y_train)
# ========== 5. 模型评估 ==========
def evaluate_model(model, X_test, y_test):
y_pred = model.predict(X_test)
probs = model.predict_proba(X_test)[:,1]
print(f"\n{model.__class__.__name__}评估结果:")
print(f"准确率: {accuracy_score(y_test, y_pred):.3f}")
print(f"精确率: {precision_score(y_test, y_pred):.3f}")
print(f"召回率: {recall_score(y_test, y_pred):.3f}")
print(f"F1分数: {f1_score(y_test, y_pred):.3f}")
print(f"AUC分数: {roc_auc_score(y_test, probs):.3f}")
# 混淆矩阵可视化
cm = confusion_matrix(y_test, y_pred)
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
plt.xlabel('预测值')
plt.ylabel('真实值')
plt.title('混淆矩阵')
plt.show()
evaluate_model(rf_model.best_estimator_, X_test, y_test)
evaluate_model(svm_model, X_test, y_test)
# ========== 6. 概率预测 ==========
def predict_probabilities(model, patient_data):
"""预测单个患者的患病概率"""
scaled_data = scaler.transform(patient_data.values.reshape(1, -1))
prob = model.predict_proba(scaled_data)[0][1]
return prob
# 示例：预测单个患者的患病概率
sample_patient = pd.DataFrame({
'age': [52],
'sex': [1],
'cp': [2],
'trestbps': [125],
'chol': [212],
'fbs': [0],
'restecg': [1],
'thalach': [168],
'exang': [0],
'oldpeak': [1.0],
'slope': [2],
'ca': [0],
'thal': [3]
})
rf_prob = predict_probabilities(rf_model.best_estimator_, sample_patient)
svm_prob = predict_probabilities(svm_model, sample_patient)
print(f"\n患者预测结果:")
print(f"随机森林预测患病概率: {rf_prob*100:.2f}%")
print(f"SVM预测患病概率: {svm_prob*100:.2f}%")
# ========== 7. 概率分布分析 ==========
# 计算所有测试样本的患病概率
test_probs = rf_model.best_estimator_.predict_proba(X_test)[:, 1]
plt.figure(figsize=(10, 6))
sns.histplot(test_probs[y_test==0], bins=25, color='blue', kde=True,
stat='probability', alpha=0.5, label='健康人群')
sns.histplot(test_probs[y_test==1], bins=25, color='red', kde=True,
stat='probability', alpha=0.5, label='患者')
plt.title('患病概率分布')
plt.xlabel('预测概率')
plt.ylabel('比例')
plt.legend()
plt.show()
```
### PyCharm实施指南
1. **创建新项目**
- 新建Python项目并创建`heart_disease.py`文件
- 下载数据集放到项目根目录：[UCI心脏病数据集](https://archive.ics.uci.edu/ml/datasets/heart+disease)
2. **环境配置**
```bash
pip install pandas numpy scikit-learn matplotlib seaborn
```
3. **执行流程**
- 运行脚本后检查控制台输出
- 查看自动生成的混淆矩阵图像
- 修改`sample_patient`值测试不同患者
4. **结果分析要点**
- 患病概率分布图展示模型对不同人群的区分度
- 关键特征（如胸痛类型thalach）对预测的影响
- 健康人群概率集中在左侧(低概率)，患者集中在右侧(高概率)
### 优化建议
1. **特征工程优化**
```python
# 添加新特征：年龄分组
heart_data['age_group'] = pd.cut(heart_data['age'], bins=[0,40,55,100], labels=[0,1,2])
# 交互特征
heart_data['bp_chol'] = heart_data['trestbps'] * heart_data['chol'] / 100
```
2. **集成模型增强**
```python
from sklearn.ensemble import VotingClassifier
ensemble_model = VotingClassifier(
estimators=[
('rf', RandomForestClassifier(n_estimators=200)),
('svm', SVC(probability=True))
],
voting='soft'
)
```
3. **概率校准**
```python
from sklearn.calibration import CalibratedClassifierCV
calibrated_model = CalibratedClassifierCV(svm_model, method='sigmoid', cv=5)
```
此博客介绍了来自 UCI 的一个经典数据集，用于数据挖掘示例，包含有关年龄、性别、胸部疼痛类型等13个属性的心脏病患者信息。数据集分为实数、有序和二进制类型，用于预测心脏疾病的存在或缺失，并附带了成本矩阵。
最低0.47元/天 解锁文章
扫一扫
5606
到【灌水乐园】发言
