心脏病数据集分析预测实战：从数据清洗到模型部署的完整流程-北京尧图网络

简介这份资源面向机器学习入门与进阶学习者聚焦心脏病数据集的分析与预测建模实战帮助读者在真实医疗数据上跑通从数据清洗到模型评估的完整流程。包内共14个文件以11个Python源代码为主另含2个CSV数据集与1个说明文档压缩包约46KB代码手工整理、无语法错误且可直接运行。内容覆盖数据预处理、特征工程与多模型对比涉及逻辑回归、KNN、高斯朴素贝叶斯、决策树、SVM、随机森林、XGBoost、MLP等算法并包含缺失值填充、标准化与多项式特征、列变换管道、学习曲线、混淆矩阵、分类报告、ROC与AUC、排列重要性以及dtreeviz决策树可视化等环节还用到seaborn与pandas绘图做探索性分析。已有98人学习适合想系统练习分类建模、模型评估与结果解读的读者参考复用。1. 心脏病数据集分析预测11 个源代码文件到底在做什么拿到「AI实战-心脏病数据集分析预测实例含11个源代码150.96 KB完整的数据集.zip」这个标题很多人第一反应是又是一个玩具级 demo。但真正做过医疗表格数据建模的人会告诉你心脏病数据集UCI Heart Disease 那一套是少数几个「小到能跑通、又脏到能踩坑」的经典数据集。150.96 KB 听起来寒酸可它包含 4 个来源克利夫兰、匈牙利、瑞士、长滩 VA拼接后的 900 多行、76 列原始字段清洗后通常收敛到 14 个核心特征、约 300 行可用样本。11 个源代码文件大概率覆盖了数据加载、缺失值处理、特征工程、多模型训练、评估可视化这几条链路。这篇文章不假设你手里已经有那份压缩包而是把「心脏病数据集分析预测」这件事从数据长什么样、特征怎么选、模型怎么比、指标怎么看一路讲到能自己复现出一套可用的预测流程。适合想入门医疗表格建模的算法新手也适合做过 Kaggle 表格赛、想搞清楚临床特征编码细节的老手。2. 心脏病数据集长什么样14 个特征与 4 类标签的取舍2.1 原始 76 列到 14 列核心特征的收敛逻辑UCI 心脏病数据集最坑的地方在于它不是一个干净的单表而是 4 个机构Cleveland、Hungarian、Switzerland、VA Long Beach各自采集后拼起来的。原始版本有 76 个属性但真正被广泛使用的是 Cleveland 子集整理出的 14 个特征。为什么砍到 14 个因为其余 62 列缺失率普遍超过 70%尤其是荧光透视、运动心电图相关的细粒度测量在非 Cleveland 站点几乎全空。常见做法是只保留这 14 列并把多站点数据合并后按行去重。这 14 个特征可以分成四组理解分组比死记字段名重要得多分组字段类型说明人口学age, sex连续/二值年龄、性别1 男 0 女症状cp, exang类别/二值胸痛类型4 类、运动诱发心绞痛检查指标trestbps, chol, fbs, restecg, thalach, oldpeak, slope, ca, thal混合静息血压、胆固醇、空腹血糖、静息心电图、最大心率、ST 压低、ST 斜率、主血管数、地中海贫血标签num / target多类/二值0-4 级狭窄通常二值化为 0 即患病提示ca 和 thal 这两列在原始数据里用「?」表示缺失直接读进来会变成 object 类型必须显式替换成 NaN 再填充否则后面所有模型都会报类型错误。2.2 标签二值化为什么 0-4 级要压成 0/1原始标签 num 是 0 到 4 的整数表示血管狭窄程度。0 代表无狭窄1-4 代表不同程度。绝大多数实战代码会把它压成二分类num 0 记为 1患病否则为 0。这么做有两个现实理由一是 1-4 级的样本量极不均衡单独做多分类会让 3、4 级几乎没有足够训练样本二是临床筛查场景关心的是「有没有问题」而不是「严重到几级」二分类更贴合初筛需求。如果你坚持做多分类至少要知道类别分布Cleveland 子集里 0 级约 164 例1 级约 55 例2 级约 36 例3 级约 35 例4 级约 13 例。4 级只有 13 例任何模型在这个类上都不可能有稳定表现。所以二值化不是偷懒是数据量逼出来的选择。2.3 用 pandas 把 150.96 KB 数据集读进来并做第一轮体检下面这段代码是我处理这类数据集时固定会跑的第一轮体检不建模只看数据本身。假设你已经把数据文件放在data/heart.csv字段名按常见命名。import pandas as pd import numpy as np # 读取数据注意原始文件可能用 ? 表示缺失 df pd.read_csv(data/heart.csv, na_values[?]) # 第一轮体检形状、类型、缺失、标签分布 print(shape:, df.shape) print(\ndtypes:\n, df.dtypes) print(\nmissing:\n, df.isnull().sum()[df.isnull().sum() 0]) print(\ntarget dist:\n, df[target].value_counts()) # 把 ca 和 thal 强制转数值无法转换的置为 NaN for col in [ca, thal]: df[col] pd.to_numeric(df[col], errorscoerce) # 缺失填充数值列用中位数类别列用众数 num_cols [trestbps, chol, thalach, oldpeak, ca] cat_cols [fbs, restecg, thal] for c in num_cols: df[c] df[c].fillna(df[c].median()) for c in cat_cols: df[c] df[c].fillna(df[c].mode()[0]) print(\nafter fill, missing:, df.isnull().sum().sum())逻辑说明na_values[?]是关键一步很多教程漏掉它导致 ca/thal 变成字符串列后面StandardScaler直接崩。pd.to_numeric(errorscoerce)是第二道保险把任何残留的非数值转成 NaN。填充策略上数值列用中位数而不是均值是因为 chol 和 oldpeak 存在明显右偏和离群值均值会被拉偏类别列用众数是最保守的做法样本量小时不会引入额外噪声。参数说明trestbps静息血压正常范围约 90-200chol胆固醇正常约 100-400thalach最大心率正常约 60-200oldpeakST 压低通常 0-6.2。如果填充后这些列出现超出范围的值说明原始数据里有录入错误需要单独排查而不是无脑填充。3. 特征工程与模型选型11 个源代码文件背后的通用套路3.1 类别特征编码one-hot 还是 ordinal14 个特征里cp胸痛类型、restecg静息心电图、slopeST 斜率、thal地中海贫血都是类别变量。cp 有 4 个取值但取值之间没有大小关系必须 one-hot。restecg 有 0/1/2 三档虽然编码是数字但 2 并不代表「比 1 更严重」也建议 one-hot。slope 有 1/2/3 三档thal 有 3/6/7 三档同样 one-hot。唯一可以保留 ordinal 的是 ca主血管数 0-3因为它本身有数量含义。但即便如此ca 的 0/1/2/3 也不是等距的稳妥做法还是 one-hot。我一般会写一个统一的编码函数from sklearn.preprocessing import OneHotEncoder from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler cat_features [cp, restecg, slope, thal, ca, sex, fbs, exang] num_features [age, trestbps, chol, thalach, oldpeak] preprocessor ColumnTransformer( transformers[ (num, StandardScaler(), num_features), (cat, OneHotEncoder(dropfirst, sparse_outputFalse), cat_features) ]) # dropfirst 避免虚拟变量陷阱稀疏矩阵转稠密方便小数据量直接看逻辑说明ColumnTransformer把数值列和类别列分开处理数值列标准化类别列 one-hot。dropfirst是防止完全共线性对逻辑回归尤其重要对树模型影响不大但统一处理省心。sparse_outputFalse是因为这个数据集太小稠密矩阵完全放得下后续调试时能直接 print 出矩阵内容比稀疏矩阵友好得多。参数说明StandardScaler对 age、trestbps、chol、thalach、oldpeak 做 z-score 标准化让不同量纲的特征对正则化项贡献均衡。如果你用随机森林或 XGBoost标准化其实可以省但保留它不会有害而且方便和逻辑回归共用同一套 pipeline。3.2 五个必跑模型从逻辑回归到 XGBoost 的对比基线11 个源代码文件里大概率有多个模型脚本。我自己的习惯是固定跑五个模型做基线逻辑回归、随机森林、SVM、KNN、XGBoost。不是为了刷分而是为了看数据在不同假设下的表现差异。from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from sklearn.svm import SVC from sklearn.neighbors import KNeighborsClassifier from xgboost import XGBClassifier from sklearn.model_selection import cross_val_score, StratifiedKFold models { LR: LogisticRegression(max_iter1000, C1.0), RF: RandomForestClassifier(n_estimators200, max_depth5, random_state42), SVM: SVC(kernelrbf, C1.0, gammascale, probabilityTrue), KNN: KNeighborsClassifier(n_neighbors7), XGB: XGBClassifier(n_estimators200, max_depth3, learning_rate0.1, use_label_encoderFalse, eval_metriclogloss) } cv StratifiedKFold(n_splits5, shuffleTrue, random_state42) for name, model in models.items(): pipe Pipeline([(prep, preprocessor), (clf, model)]) scores cross_val_score(pipe, X, y, cvcv, scoringroc_auc) print(f{name}: AUC{scores.mean():.4f} (/- {scores.std():.4f}))逻辑说明StratifiedKFold保证每折里正负样本比例一致小数据集上普通 KFold 可能某一折全是负样本导致指标失真。scoringroc_auc而不是 accuracy是因为医疗筛查场景下正负样本代价不对称AUC 对阈值不敏感更能反映模型排序能力。参数说明逻辑回归C1.0是默认正则强度小数据集上可以试 0.1 到 10随机森林max_depth5是防止过拟合的关键300 行数据如果树深不限制训练集能到 100% 但验证集惨不忍睹SVM 的gammascale是 sklearn 默认值等价于 1/(n_features * X.var())KNN 的n_neighbors7是经验值样本量小的时候 5-9 都合理XGBoostmax_depth3配合learning_rate0.1是表格小数据的稳妥组合。3.3 交叉验证与指标选择为什么 accuracy 会骗你心脏病数据集二值化后正负样本大约 55:45不算极端不平衡但 accuracy 仍然会骗人。假设一个模型把所有样本都预测为患病accuracy 也有 45% 左右看起来「还行」但毫无临床价值。所以我固定看四个指标AUC、召回率、精确率、F1。from sklearn.metrics import classification_report, roc_auc_score from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, stratifyy, random_state42) best Pipeline([(prep, preprocessor), (clf, RandomForestClassifier(n_estimators200, max_depth5, random_state42))]) best.fit(X_train, y_train) y_prob best.predict_proba(X_test)[:, 1] y_pred (y_prob 0.5).astype(int) print(AUC:, roc_auc_score(y_test, y_prob)) print(classification_report(y_test, y_pred, digits4))逻辑说明stratifyy在 train_test_split 里同样重要保证测试集正负比例和全集一致。predict_proba取第 1 列是患病概率然后手动卡 0.5 阈值。实际部署时阈值应该根据召回率和精确率的权衡来调比如筛查场景可以把阈值降到 0.3宁可误报不可漏报。参数说明test_size0.2在 300 行数据上意味着测试集约 60 行指标波动会比较大所以更可信的是前面 5 折交叉验证的均值。classification_report里的 support 列告诉你每个类有多少样本如果某一类 support 小于 20那个类的指标只能当参考。4. 避坑与排查心脏病数据集建模最常见的 5 个翻车点4.1 缺失值用 0 填充导致模型学到假模式现象模型在训练集上 AUC 0.95测试集掉到 0.7。原因ca 和 thal 的缺失被填成了 0而 0 在原始编码里是合法值ca0 表示无主血管狭窄模型把「缺失」和「真的没有狭窄」混为一谈。解决缺失值用中位数或众数填充或者把缺失本身作为一个额外类别加一列ca_missing指示变量。我一般对 ca 和 thal 直接加缺失指示列让模型自己决定怎么用。4.2 把 num 当连续值回归现象用线性回归预测 numMSE 看起来不大但预测出 2.7 这种没有意义的小数。原因num 是等级标签不是连续值1 和 2 之间的「距离」不等于 2 和 3 之间的距离。解决要么二值化后做分类要么做有序回归ordinal regression。最常见的做法就是二值化简单且符合筛查场景。4.3 标准化在 train_test_split 之后才做现象交叉验证分数很高但换一批数据就崩。原因先划分再标准化标准化参数均值和方差只用了训练集信息这本身没错但很多人反过来先对全量数据标准化再划分导致测试集信息泄漏到训练过程。解决标准化必须放进 Pipeline让它在每折交叉验证内部只 fit 训练折。上面代码里的ColumnTransformer放在Pipeline里就是为了这个。4.4 忽略 age 和 sex 的交互效应现象单独看 age 和 sex 都不显著但模型效果就是上不去。原因心脏病风险在性别和年龄上有明显交互年轻女性和老年男性的风险模式完全不同。解决加一列age_sex age * sex或者用树模型让它自己学交互。逻辑回归里显式加交互项往往能涨 1-2 个点 AUC。4.5 用 accuracy 选模型导致选出「全预测为患病」的废物现象某个模型 accuracy 0.55看起来比另一个 0.52 的好但召回率 1.0、精确率 0.55等于没筛。原因正负样本接近均衡时accuracy 的区分度很低。解决固定用 AUC 做模型选择用召回率和精确率做阈值调整。如果业务方只给了一个 accuracy 目标要追问清楚误报和漏报哪个代价更高。5. 把模型变成可复用的预测脚本从 notebook 到命令行工具前面所有代码都在 notebook 里跑但 11 个源代码文件的价值在于能复用。我一般会把最终 pipeline 用 joblib 存下来再包一个命令行入口输入一行患者特征就输出患病概率。这样下次拿到新数据不用重跑训练。import joblib import argparse import numpy as np # 训练完后保存 joblib.dump(best, heart_pipeline.joblib) # 预测脚本 predict.py def predict_one(features: dict): model joblib.load(heart_pipeline.joblib) row pd.DataFrame([features]) prob model.predict_proba(row)[0, 1] return prob if __name__ __main__: parser argparse.ArgumentParser() parser.add_argument(--age, typefloat, requiredTrue) parser.add_argument(--sex, typeint, requiredTrue) parser.add_argument(--cp, typeint, requiredTrue) parser.add_argument(--trestbps, typefloat, requiredTrue) parser.add_argument(--chol, typefloat, requiredTrue) parser.add_argument(--thalach, typefloat, requiredTrue) parser.add_argument(--oldpeak, typefloat, requiredTrue) args parser.parse_args() # 其余字段用训练集中位数兜底 feat vars(args) print(患病概率:, predict_one(feat))逻辑说明joblib.dump保存的是整个 Pipeline包括预处理器和模型加载后直接predict_proba就行不用重新 fit。命令行参数只暴露最关键的 7 个字段其余用训练集中位数兜底这样即使输入不完整也能给出一个粗略概率。参数说明--sex用 1/0 表示男女--cp用 1-4 表示胸痛类型--oldpeak是 ST 压低值。实际使用时这些字段应该从电子病历系统映射过来不要手工输入否则录入错误会直接污染预测结果。验证方法上我习惯留一个「金标准」测试集从原始数据里随机抽 50 行不参与任何训练和调参只在最终模型确定后跑一次。如果这 50 行的 AUC 和交叉验证均值差距超过 0.1说明模型过拟合或者数据分布有偏需要回头检查。这个习惯帮我省过好几次「交叉验证 0.9、实际 0.6」的后悔药。最后说个血泪经验心脏病数据集太小任何调参带来的提升都可能是噪声。我一般把随机种子固定成 42跑 10 次不同划分取平均如果某个模型在 10 次里稳定领先才认为它真的更好。单次划分的 0.02 AUC 差异基本可以当玄学处理。希望帮到你。本文还有配套的精品资源点击获取

心脏病数据集分析预测实战：从数据清洗到模型部署的完整流程

相关推荐

从零到两万星：一套被AI助手推荐的开源AI编程教程设计复盘

Spring Boot + Vue打造果园水果预售系统：全链路设计与实践

双Richards方程双渗模型：破解优先流模拟难题的实战指南

更多资讯

C++类中函数指针数组实例详解：从定义到工程实战

AI Agent记忆管理实战：从短期记忆到长期记忆的架构设计与实现

C/C++条件编译核心：#if defined与#ifndef原理与工程实践

阿里云AI算力硬件体系全解析：GPU、存储、网络与调度如何协同

LangChain Corrective RAG：检索结果不好时，怎么补救

气温预测项目实战：五模型对比与部署全流程解析

今日更新

Susi AI API实战指南：susi_alexa_skill如何用Node.js调用chat.json获取智能回答

换新电脑了？KeyStats 恢复码数据找回完全指南，端到端加密统计一键重建

重建二叉树：由前序与中序遍历序列还原二叉树的原理与 Java 实现（YCBlogs 剑指 Offer 精讲）

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？