基于机器学习的心力衰竭疾病分析研究
基于机器学习的心力衰竭疾病分析研究
本文介绍了一个基于机器学习的心力衰竭疾病分析研究项目。通过数据预处理、特征工程、模型训练和评估等步骤，展示了如何利用机器学习技术对心力衰竭风险进行预测。实验结果表明，随机森林模型在预测心力衰竭风险方面表现最佳。
研究过程中，我们对数据进行了全面的预处理，包括缺失值处理、数据标准化和特征选择。然后，利用特征工程对数据进行进一步处理，以提高模型性能。最终，模型的表现通过准确率、精确率、召回率和F1分数等指标进行评估。
实验结果表明，所选模型在预测心力衰竭风险方面表现出色。我们的研究为心力衰竭的早期诊断和预防提供了一种有效的工具。
项目数据
心力衰竭数据集（Heart Failure Dataset）通常用于分析心力衰竭患者的生存情况和相关风险因素。
该数据集来自Kaggle。
Kaggle是一个数据科学竞赛平台，提供了大量数据集供用户下载和使用。
心力衰竭数据集也可以在Kaggle平台上找到，并且通常伴有详细的描述和相关的竞赛。
数据集包含心力衰竭患者的多种属性。以下是数据集的列：
（1）序号: 患者的序号。
（2）年龄: 患者的年龄。
（3）贫血: 患者是否患有贫血（0 = 否，1 = 是）。
（4）肌酸激酶: 血液中的CPK酶水平（单位：mcg/L）。
（5）糖尿病: 患者是否患有糖尿病（0 = 否，1 = 是）。
（6）射血分数: 每次心脏收缩时血液离开心脏的百分比。
（7）高血压: 患者是否患有高血压（0 = 否，1 = 是）。
（8）血小板: 血液中的血小板计数（单位：千个血小板/mL）。
（9）血清肌酐: 血液中的血清肌酐水平（单位：mg/dL）。
（10）性别: 患者的性别（0 = 女，1 = 男）。
（11）吸烟: 患者是否吸烟（0 = 否，1 = 是）。
（12）死亡: 患者在随访期间是否死亡（0 = 否，1 = 是）。
算法流程
运行效果
运行 代码.ipynb
1.数据可视化
我们需要对数据进行可视化，在不同维度上展示数据的分布情况，以便更好地了解数据的结构和趋势。我们使用Seaborn和Matplotlib库来实现可视化效果。
（1）通过age与death列的相关性
death age count 直方图
通过变量x=’age’、要根据的变量hue=’death’绘制直方图展示了不同年龄区间的数据量Count。
（2）通过ejection fraction与death列的相关性
death ejection fraction count 直方图
通过变量x=’ ejection fraction’、要根据的变量hue=’death’绘制直方图展示了不同射血分数区间的数据量Count。
（3) 通过creatinine phosphokinase与death列的相关性
death creatinine phosphokinase count 直方图
通过变量x=‘creatinine phosphokinase ‘、要根据的变量hue=’death’绘制直方图展示了不同肌酸磷酐脢区间的数据量Count。
(4) 通过platelets与death列的相关性
death platelets count 直方图
（5）通过变量x=’ platelets’、要根据的变量hue=’death’绘制直方图展示了不同血小板区间的数据量Count。
death serum creatinine count 直方图
通过变量x=’ platelets’、要根据的变量hue=’serum creatinine’绘制直方图展示了不同血清肌酐区间的数据量Count。
2.特征分析
均以选取其中的特征为例，而在实际操作中是分析全部特征。
（1）特征death sex age 箱线图
在我们这里是”death”和”sex”下的数值数据(在这里是”age”)的分布情况。
箱线图由一个矩形框和一组线组成。矩形框表示数据的中间50%范围，线表示数据的整体分布情况。箱线图可以显示出数据的中位数、上下四分位数、异常值等信息。通过箱线图可以进行可视化展示。
（2）特征death serumcreative 核密度估计图
我们通过对数据集（Heart_Failure_Details1.csv）中的”death”属性进行分组，并且使用”serum creative”属性进行核密度估计的阴影绘制。阴影的填充程度取决于密度的高低。将”serum creative”属性在不同”death”值下的分布可视化出来。
3. 特征相关性分析
查看热力图，判断特征相关性。
我们使用histplot方法可视化age属性在death上的分布情况，这可以告诉我们年龄是否与心力衰竭有关。接着，我们使用boxplot方法可视化age和sex的关系以及它们与死亡风险的关系。然后，我们使用FacetGrid和kdeplot方法来可视化血清肌酐
（serum_creatinine）在death上的分布，根据这个分布，我们可以分析血清肌酐和死亡风险之间的关系。最后，我们使用heatmap方法来查看各个特征之间的相关性分析。
4. 模型的构建与训练
在数据分析完之后，我们开始构建模型。我们首先把数据集分成训练集和测试集，以便评估模型的精度和泛化性能。我们使用sklearn库的train_test_split方法将数据集分成80%的训练集和20%的测试集。然后，我们使用KNN和逻辑回归算法模型来分类分析
5.模型评估
ROC曲线
我们使用评估指标来评估模型的精度和泛化性能。我们使用sklearn库的confusion_matrix和classification_report方法来计算预测结果的精确性和召回率。我们还使用ROC曲线和AUC指标来评估模型的好坏。
我们通过使用classification_report方法输出每个模型的性能指标，包括精度、召回率和F1得分。我们还使用confusion_matrix方法输出混淆矩阵，以便更好地了解模型在KNN情况下的准确性。最后我们还通过ROC曲线和AUG指标对模型的性能进行评估。
（1）岭回归模型的ROC曲线
（2）逻辑回归的ROC曲线
（3）决策树的ROC曲线
（4）随机森林的ROC曲线
（5）支持向量机的ROC曲线
（6）朴素贝叶斯的ROC曲线
（7）KNN的ROC曲线
我们首先使用predict_proba方法预测结果概率，并使用roc_curve计算出不同设定的阈值下的真阳性率和假阳性率。使用auc方法计算曲线下面积，即AUC指标。然后，我们使用Matplotlib库绘制出每个模型的ROC曲线，并在图表中展示了AUC指标。在通过两种不同的算法模型，我们可以通过看ROC曲线、AUC面积以及准确性的比率可以看出随机森林性能最好的。