心血管疾病是全球致死率最高的疾病之一早期筛查、快速风险预判能极大降低重症发病概率。本文基于医院真实心血管医疗数据集1319 条患者临床指标完整复现数据读取→探索性数据分析 EDA→异常清洗预处理→特征工程→多分类模型训练对比全流程对比逻辑回归、决策树、随机森林、XGBoost、SVM 五大经典二分类算法通过混淆矩阵、分类报告、ROC-AUC 综合评估模型性能最终选出适配医疗诊断场景的最优模型代码可直接运行适合机器学习入门、课程大作业、毕设参考。一、项目环境与依赖库1.1 导入全部依赖python运行import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib as mpl 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.ensemble import RandomForestClassifier from sklearn.svm import SVC from xgboost import XGBClassifier from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc import warnings # 屏蔽运行警告 warnings.filterwarnings(ignore) # 解决matplotlib中文、负号显示 mpl.rcParams[font.family]SimHei plt.rcParams[axes.unicode_minus]False二、数据集加载与基础信息探查2.1 数据读取与列名中文转换数据集文件Medicaldataset.csv共 1319 条患者样本9 个字段年龄、性别、心率、收缩压、舒张压、血糖、肌酸激酶同工酶、肌钙蛋白、诊断结果positive 患病 /negative 健康。python运行# 读取csv数据 dfpd.read_csv(Medicaldataset.csv) # 重命名中文列 columns[年龄,性别,心率,收缩压,舒张压,血糖,肌酸激酶同工酶,肌钙蛋白,结果] df.columnscolumns # 查看前5行 df.head()2.2 基础数据信息python运行# 数据类型、非空值统计 df.info() # 数值特征描述统计 df.describe() # 重复值检测 print(重复样本数量,df.duplicated().sum())输出解读数据集共 1319 条样本无缺失值、无重复数据5 个 int 整型特征年龄、性别、心率、收缩压、舒张压3 个浮点生化指标1 个文本标签诊断结果年龄均值 56.19样本集中中老年人群男性占比 65.96%样本男性多于女性心率、血糖、肌酸激酶同工酶最大值远超正常生理区间存在大量极端异常值。2.3 原始数据箱线图异常值可视化python运行df.plot(kindbox,figsize(14,8)) plt.title(原始数据各特征箱线图异常值分布) plt.show()对应可视化图rym {type:ImageRefCard,refs:[问诊 1 - 第一张箱线图],titles:[原始数据箱线图]}从箱线图可见心率、血糖、肌酸激酶同工酶、肌钙蛋白存在大量离群极端点属于临床不合理数据需要清洗部分样本舒张压收缩压违背生理常识需修正。三、数据预处理医疗数据清洗核心步骤3.1 极端生理异常样本剔除临床生理阈值规则心率1000、收缩压50、舒张压140过滤极端错误数据python运行# 过滤极端异常值 dfdf.loc[(df[心率]1000) (df[收缩压]50)(df[舒张压]140)] print(清洗后样本量,df.shape[0]) # 输出1314条剔除5条极端错误样本3.2 修正舒张压收缩压逻辑错误样本血压生理规则收缩压必然大于舒张压交换异常样本的两列数值python运行# 筛选异常血压数据 wrong_datadf[df[舒张压]df[收缩压]] # 交换两列数值 df.loc[wrong_data.index,[收缩压,舒张压]] df.loc[wrong_data.index,[舒张压,收缩压]].values.copy() # 校验修正结果 df.loc[wrong_data.index[0:5]]3.3 清洗后数据重绘箱线图python运行df.plot(kindbox,figsize(14,8)) plt.title(清洗异常值后特征箱线图) plt.show()对应可视化图rym {type:ImageRefCard,refs:[问诊 1 - 第二张箱线图],titles:[清洗后箱线图]}四、探索性数据分析 EDA特征与患病关系挖掘4.1 人群基础画像年龄分布 性别占比python运行plt.figure(figsize(12,10)) # 子图1年龄直方图核密度曲线 plt.subplot(211) plt.hist(df[年龄],bins20) df[年龄].plot(kindkde,secondary_yTrue) plt.title(患者年龄分布直方图核密度图) # 子图2性别饼图 plt.subplot(212) gender_datadf[性别].value_counts() plt.pie(gender_data, autopct%.2f%%, labels[男,女], shadowTrue, explode(0.05,0)) plt.title(数据集性别占比) plt.tight_layout() plt.show()对应可视化图rym {type:ImageRefCard,refs:[问诊 1 - 年龄性别分布图],titles:[年龄分布 性别饼图]}分析结论年龄近似正态分布50-75 岁中老年群体占比最高是心脏病高发人群男性样本 65.98%女性 34.02%男性样本数量显著高于女性。4.2 各临床指标与心脏病诊断分组对比将数据按 ** 阳性患病/ 阴性健康** 分组绘制多子图箱线图直观对比指标差异python运行plt.figure(figsize(20,16)) # 1.年龄vs诊断 plt.subplot(3,3,1) pos_agedf[df[结果]positive][年龄] neg_agedf[df[结果]negative][年龄] plt.boxplot([pos_age,neg_age], labels[阳性,阴性]) plt.title(年龄与心脏病诊断关系) # 2.心率vs诊断 plt.subplot(3,3,2) pos_heartdf[df[结果]positive][心率] neg_heartdf[df[结果]negative][心率] plt.boxplot([pos_heart,neg_heart],labels[阳性,阴性]) plt.title(心率与心脏病诊断关系) # 3.阳性样本性别饼图 plt.subplot(333) pos_datadf[df[结果]positive] gender_pospos_data[性别].value_counts() plt.pie(gender_pos,labels[男,女],autopct%.2f%%) plt.title(确诊心脏病患者性别比例) # 4-8血压、血糖、肌酸激酶、肌钙蛋白分组箱线 ax4plt.subplot(334) df.boxplot(column收缩压,by结果,axax4) ax5plt.subplot(335) df.boxplot(column舒张压,by结果,axax5) ax6plt.subplot(336) df.boxplot(column血糖,by结果,axax6) ax7plt.subplot(337) df.boxplot(column肌酸激酶同工酶,by结果,axax7) ax8plt.subplot(338) df.boxplot(column肌钙蛋白,by结果,axax8) plt.suptitle() plt.show()对应可视化图rym {type:ImageRefCard,refs:[问诊 1 - 多特征分组箱线图],titles:[各指标按患病分组对比图]}关键医学规律挖掘肌酸激酶同工酶、肌钙蛋白两个心肌损伤标志物阳性患者数值显著高于阴性是区分心脏病核心特征患病人群平均年龄略高于健康人群收缩压、血糖在阳性样本整体分布更高存在轻度正相关确诊心脏病患者中男性占比接近 70%男性患病风险样本层面更高。4.3 性别 诊断双维度分组指标分布python运行df.boxplot(column[血糖,年龄,收缩压,舒张压],by[性别,结果],figsize(14,10)) plt.xticks(rotation45) plt.suptitle() plt.show()对应可视化图rym {type:ImageRefCard,refs:[问诊 1 - 双分组箱线图],titles:[性别 诊断双分组指标分布]}五、特征工程与数据集划分5.1 标签二值化建模标准将文本标签positive/negative转为 0/1 二分类数值python运行df[Result_Binary](df[结果]positive).astype(int)5.2 筛选核心预测特征根据 EDA 分析心肌标志物区分度最强选取 4 个核心特征建模性别、年龄、肌酸激酶同工酶、肌钙蛋白python运行features[性别,年龄,肌酸激酶同工酶,肌钙蛋白] Xdf[features].copy() ydf[Result_Binary]5.3 连续特征标准化逻辑回归、SVM 对特征量纲敏感对年龄、两项心肌指标标准化python运行continuous_vars[年龄,肌酸激酶同工酶,肌钙蛋白] X[continuous_vars] X[continuous_vars].astype(float) scalerStandardScaler() X.loc[:,continuous_vars]scaler.fit_transform(X[continuous_vars])5.4 训练集 / 测试集划分8:2 分层抽样分层抽样stratifyy保证训练、测试集患病 / 健康样本比例一致避免类别偏移python运行X_train,X_test,y_train,y_testtrain_test_split(X,y,test_size0.2,random_state15,stratifyy)六、通用模型评估函数统一输出混淆矩阵 ROC封装评估逻辑复用至 5 个模型输出分类报告、混淆矩阵热力图、ROC-AUC 曲线python运行def evaluate_model(model,model_name,X_train,X_test,y_train,y_test): # 模型训练 model.fit(X_train,y_train) # 测试集预测 y_predmodel.predict(X_test) print(f{model_name} 模型评估报告) print(classification_report(y_test,y_pred)) # 绘制混淆矩阵 cmconfusion_matrix(y_test,y_pred) plt.figure(figsize(8,6)) plt.imshow(cm, cmaphot, interpolationnearest) plt.colorbar() for i in range(2): for j in range(2): plt.text(j, i,f{cm[i, j]},hacenter,vacenter,colorwhite,fontsize15) plt.title(f{model_name}混淆矩阵) plt.show() # 绘制ROC曲线、计算AUC if hasattr(model,predict_proba): y_probmodel.predict_proba(X_test)[:,1] else: y_probmodel.decision_function(X_test) fpr, tpr,_ roc_curve(y_test, y_prob) roc_aucauc(fpr,tpr) plt.figure(figsize(8,6)) plt.plot(fpr,tpr,colordarkorange,lw2,labelfROC曲线(面积{roc_auc:.2f})) plt.plot([0,1],[0,1],colornavy,lw2,linestyle--) plt.xlabel(假阳率(FPR)) plt.ylabel(真阳率(TPR)) plt.title(f{model_name}ROC曲线) plt.legend(loclower right) plt.show() return model,roc_auc七、五大分类模型训练与结果对比7.1 逻辑回归基线线性模型python运行lr_modelLogisticRegression(random_state15, class_weightbalanced) lr_model,lr_aucevaluate_model(lr_model,逻辑回归,X_train,X_test,y_train,y_test)结果指标准确率 0.83AUC0.92 混淆矩阵、ROC 曲线rym {type:ImageRefCard,refs:[问诊 1 - 逻辑回归混淆矩阵,问诊 1 - 逻辑回归 ROC],titles:[逻辑回归混淆矩阵,逻辑回归 ROC 曲线]}7.2 决策树单树非线性模型python运行dt_modelDecisionTreeClassifier(random_state15, class_weightbalanced) dt_model,dt_aucevaluate_model(dt_model,决策树,X_train,X_test,y_train,y_test)结果指标准确率 0.98AUC0.98 混淆矩阵 ROC 曲线rym {type:ImageRefCard,refs:[问诊 1 - 决策树混淆 ROC],titles:[决策树混淆矩阵 ROC]}7.3 随机森林集成树模型python运行rf_model RandomForestClassifier(random_state15, class_weightbalanced) rf_model,rf_aucevaluate_model(rf_model,随机森林,X_train,X_test,y_train,y_test)结果指标准确率 0.97AUC0.99 混淆矩阵、ROC 曲线rym {type:ImageRefCard,refs:[问诊 1 - 随机森林混淆矩阵,问诊 1 - 随机森林 ROC],titles:[随机森林混淆矩阵,随机森林 ROC 曲线]}7.4 XGBoost梯度提升树python运行xgb_model XGBClassifier(random_state15, scale_pos_weightsum(y_train0)/sum(y_train1)) xgb_model, xgb_auc evaluate_model(xgb_model,XGBoost,X_train,X_test,y_train,y_test)结果指标准确率 0.98AUC0.99 混淆矩阵 ROC 曲线rym {type:ImageRefCard,refs:[问诊 1-XGBoost 混淆 ROC],titles:[XGBoost 混淆矩阵 ROC]}7.5 SVM 支持向量机python运行svm_model SVC(random_state15,class_weightbalanced,probabilityTrue) svm_model, svm_aucevaluate_model(svm_model,支持向量机,X_train,X_test,y_train,y_test)结果指标准确率 0.83AUC0.92 ROC 曲线rym {type:ImageRefCard,refs:[问诊 1-SVMROC],titles:[SVM 模型 ROC 曲线]}八、模型综合对比与结论8.1 性能汇总表表格模型整体准确率AUC 值特点逻辑回归83%0.92线性基线可解释性强精度偏低SVM83%0.92依赖标准化非线性拟合弱训练慢决策树98%0.98单树简单无标准化需求易轻微过拟合随机森林97%0.99集成学习泛化能力强稳定性高XGBoost98%0.99梯度提升分类精度最高医疗场景最优8.2 实验结论树类集成模型全面优于线性模型随机森林、XGBoost、决策树依靠捕捉心肌标志物与患病的非线性关系AUC、准确率远高于逻辑回归、SVMXGBoost 与随机森林综合性能最优AUC 达到 0.99几乎可以完美区分健康与心脏病患者适合用于临床辅助诊断决策树适合快速落地轻量化场景无需特征标准化、推理速度快单模型准确率 98%部署成本低核心特征验证肌酸激酶同工酶、肌钙蛋白是预测心脏病的决定性指标与临床医学理论完全吻合。8.3 项目拓展优化方向超参数网格搜索 GridSearchCV 优化树模型深度、学习率进一步降低过拟合引入 SHAP 值分析特征重要性增强医疗模型可解释性增加交叉验证 K-fold验证模型泛化能力封装模型为 Flask 简易 Web 接口实现单患者指标在线预测扩充样本量加入胆固醇、心电图等更多临床特征。九、完整项目总结本文完整走完医疗心血管数据集从原始脏数据到多模型对比的全流程解决了医疗数据特有的生理异常值、逻辑错误样本清洗问题通过 EDA 挖掘出心肌损伤标志物与心脏病的强关联规律对比 5 种主流机器学习算法完成二分类建模。 在医疗诊断场景下XGBoost、随机森林具备极高的区分能力可作为医生辅助筛查工具若追求轻量化部署决策树是性价比之选。整套代码完整可复现适合机器学习初学者、课程设计、毕业设计参考。文末附完整源码下载提示