【机器学习案例-32】Kaggle案例之基于逻辑回归和随机森林的心脏病风险预测模型实战：从EDA到模型部署（完整Python代码）

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。ZEEKLOG人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送ZEEKLOG评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的ZEEKLOG昵称，拉你进群，互相学习共同进步。

【机器学习案例-32】Kaggle案例之基于逻辑回归和随机森林的心脏病风险预测模型实战：从EDA到模型部署（完整Python代码）

• 项目概述
  • 1.1 项目背景与意义
  • 1.2 数据集深度解析
• 二、环境准备与数据加载
  • 2.1 导入必备库
  • 2.2 加载数据集
• 三、基础数据探索
  • 3.1 数据集基本信息
  • 3.2 统计特征总结
• 四、数据可视化
  • 4.1 目标变量分布可视化
  • 4.2 特征相关性热力图
  • 4.3 关键单特征分布可视化
    • 4.3.1 年龄分布（按患病状态分组）
    • 4.3.2 最大心率分布
    • 3.3.3 胆固醇水平分布
  • 4.4 多特征交互可视化
• 五、特征工程
  • 5.1 目标变量编码
  • 5.2 异常值检测与处理
  • 5.3 特征标准化
  • 5.4 特征选择（基于随机森林重要性）
• 六、模型训练与评估（重点）
  • 6.1 数据集划分
  • 6.2 模型训练（逻辑回归+随机森林）
    • 6.2.1 逻辑回归模型
    • 6.2.2 随机森林模型
  • 6.3 模型评估
    • 6.3.1 准确率与分类报告
    • 6.3.2 混淆矩阵可视化
    • 6.3.3 ROC曲线与AUC值
  • 6.4 新样本预测
• 七、总结与展望
  • 7.1 核心成果
  • 7.2 未来优化方向
• 八、数据集获取

项目概述

1.1 项目背景与意义

心脏病是全球致死率最高的疾病之一，根据世界卫生组织统计，心血管疾病每年导致约1790万人死亡，占全球总死亡人数的32%。在中国，心血管病患者高达3.3亿，每5例死亡中就有2例死于心血管病。面对如此严峻的公共卫生挑战，早期精准识别心脏病风险对于临床干预和患者预后至关重要。

本项目旨在利用机器学习技术，基于患者的临床指标数据，构建一个高效准确的心脏病风险预测模型。这不仅有助于医生进行辅助诊断，还能为健康管理提供科学依据，实现从"治疗为主"向"预防为主"的转变。

1.2 数据集深度解析

本项目使用的是经典的UCI心脏病数据集，该数据集源于1988年的克利夫兰临床基金会研究，是医学机器学习领域的基准数据集之一。数据集经过多年验证，具有以下特点：

• 权威性：医学研究背景，数据真实可靠
• 完整性：13个临床特征，覆盖心脏评估的关键指标
• 平衡性：患病与健康样本比例适中，适合分类任务
• 清洁度：数据质量高，缺失值极少

数据字段介绍具体如下：

二、环境准备与数据加载

2.1 导入必备库

主要用于导入机器学习项目所需的核心库，涵盖数据处理、可视化、模型训练、评估等全流程，并通过简单的配置解决中文显示问题、屏蔽无关警告，同时设置统一的可视化样式，提升图表美观度和可读性。

• numpy&pandas：用于数据的读取、清洗、转换和统计分析，是Python数据科学的基础工具；
• matplotlib&seaborn：用于绘制各类统计图表，实现数据可视化分析，挖掘数据内在规律；
• sklearn系列模块：提供数据集划分、数据预处理、模型训练、性能评估等一站式机器学习工具；
• warnings.filterwarnings('ignore')：屏蔽代码运行过程中的无关警告信息，避免干扰输出结果；
• plt.rcParams配置：解决matplotlib绘图时中文乱码和负号显示异常的问题，设置seaborn白色网格样式，让图表更美观。

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler, LabelEncoder from sklearn.metrics import accuracy_score, classification_report, confusion_matrix, roc_curve, auc from sklearn.ensemble import RandomForestClassifier import warnings warnings.filterwarnings('ignore')# 设置可视化样式 plt.rcParams['font.sans-serif']=['SimHei']# 解决中文显示问题 plt.rcParams['axes.unicode_minus']=False sns.set_style('whitegrid')

2.2 加载数据集

实现了数据集的灵活加载，支持Kaggle平台路径和本地路径两种方式，通过try-except异常处理机制，避免因路径错误导致程序终止，同时加载后打印数据集前5行，方便快速预览数据结构和特征内容。

• DATASET_PATH：定义数据集路径，可根据使用场景（Kaggle/本地）灵活替换；
• try-except块：优先尝试从Kaggle路径加载数据，加载失败则自动切换到本地路径，提升代码的健壮性；
• df.head()：打印数据集前5行，快速查看特征名称、数据类型和大致取值范围。

# 数据集路径（可替换为本地路径或Kaggle路径） DATASET_PATH ="/kaggle/input/heartdisease/Heart_Disease_Prediction.csv"# 加载数据try: df = pd.read_csv(DATASET_PATH)print("数据集加载成功！")except:# 备用路径（若本地存放） df = pd.read_csv("Heart_Disease_Prediction.csv")print("本地数据集加载成功！")# 查看数据前5行print("数据集预览：")print(df.head())

三、基础数据探索

3.1 数据集基本信息

探索数据集的基础属性，包括数据集形状、数据类型和缺失值情况，是数据预处理的前置步骤，能够帮助我们快速掌握数据的整体情况，为后续处理提供依据。

• df.shape：返回数据集的行数（样本数）和列数（特征数），快速了解数据规模；
• df.info()：详细展示每一列的特征名称、非空值数量、数据类型，判断是否存在字符型特征需要编码、数值型特征是否异常；
• df.isnull().sum()：统计每一列的缺失值数量，该数据集无缺失值，无需进行缺失值填充操作，若存在缺失值，可后续采用均值、中位数或模型填充等方式处理。

# 查看数据集形状print(f"数据集形状：{df.shape}（样本数：{df.shape[0]}，特征数：{df.shape[1]}）")# 查看数据类型与非空值情况print("\n数据类型与非空值信息：") df.info()# 检查缺失值print("\n缺失值统计：") missing_values = df.isnull().sum()print(missing_values)

3.2 统计特征总结

对数值型特征进行统计描述，并分析目标变量的分布情况，帮助我们挖掘数据的统计规律，判断目标变量是否存在类别不平衡问题。

• df.describe()：生成数值型特征的统计摘要，包括计数、均值、标准差、最小值、25%分位数、中位数、75%分位数和最大值，可快速识别特征的取值范围和异常波动；
• df['Heart Disease'].value_counts()：统计目标变量不同类别的样本数量，计算患病和健康样本的占比，判断是否存在类别不平衡（该数据集患病占比约46%，健康占比约54%，分布相对均衡，无需进行过采样或欠采样处理）。

# 数值特征统计描述print("数值特征统计摘要：") stat_summary = df.describe()print(stat_summary.round(2))# 目标变量分布统计print("\n目标变量（心脏病）分布：") target_dist = df['Heart Disease'].value_counts()print(target_dist)print(f"患病比例：{(target_dist['Presence']/len(df)*100):.2f}%")print(f"健康比例：{(target_dist['Absence']/len(df)*100):.2f}%")

四、数据可视化

可视化是挖掘数据规律的核心手段，能够将抽象的数值数据转化为直观的图表，帮助我们快速发现特征与目标变量之间的关联关系。本节从目标变量分布、特征相关性、单特征分布、多特征交互四个维度展开分析，每个可视化图表都有明确的分析目的和代码说明。

4.1 目标变量分布可视化

计数条形图展示目标变量的分布情况，清晰呈现患病和健康样本的数量差异，同时添加数值标签，让分布情况更加直观。

• plt.figure(figsize=(8, 5))：设置图表尺寸，保证图表清晰易读；
• sns.countplot：绘制计数条形图，hue参数用于分组，palette参数设置自定义颜色（绿色代表健康，红色代表患病，符合直观认知）；
• plt.xticks：修改x轴刻度标签，将原始的“Absence”和“Presence”替换为中文标注，更易理解；
• 循环添加数值标签：在每个条形图上方显示对应样本数量，避免手动查看坐标轴，提升图表可读性；
• plt.tight_layout()：自动调整图表布局，避免标签重叠；plt.show()：显示图表。

plt.figure(figsize=(8,5)) sns.countplot(x='Heart Disease', data=df, palette=['#2E8B57','#DC143C']) plt.title('心脏病患病情况分布', fontsize=14, fontweight='bold') plt.xlabel('患病状态', fontsize=12) plt.ylabel('样本数量', fontsize=12) plt.xticks([0,1],['健康（Absence）','患病（Presence）'])# 添加数值标签for i, v inenumerate(target_dist.values): plt.text(i, v +2,str(v), ha='center', fontsize=11) plt.tight_layout() plt.show()

4.2 特征相关性热力图

热力图展示所有数值型特征与目标变量之间的相关性，帮助我们识别对心脏病预测影响最大的核心特征，为后续特征选择提供依据。

• LabelEncoder()：对目标变量进行编码，将字符型的“Absence”和“Presence”转化为数值型的0和1，才能计算相关性；
• df.select_dtypes(include=[np.int64, np.float64])：筛选出所有数值型特征，排除字符型特征，避免无法计算相关性；
• df.corr()：计算数值型特征之间的皮尔逊相关系数，相关系数取值范围为[-1,1]，正值表示正相关，负值表示负相关，绝对值越大，相关性越强；
• sns.heatmap：绘制相关性热力图，annot=True显示相关系数数值，cmap='coolwarm'设置冷暖色映射，fmt='.2f'保留两位小数，linewidths=0.5添加网格线，提升图表清晰度；
• target_corr[1:6]：提取与目标变量相关性排名前5的特征，排除自身相关性（取值为1），快速定位核心特征。

# 先对目标变量编码（便于计算相关性） le = LabelEncoder() df['Heart_Disease_Encoded']= le.fit_transform(df['Heart Disease'])# Presence=1, Absence=0# 选择数值特征计算相关性 numeric_features = df.select_dtypes(include=[np.int64, np.float64]).columns corr_matrix = df[numeric_features].corr()# 绘制热力图 plt.figure(figsize=(14,10)) sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt='.2f', linewidths=0.5) plt.title('特征相关性热力图', fontsize=16, fontweight='bold') plt.tight_layout() plt.show()# 查看与目标变量相关性Top5 target_corr = corr_matrix['Heart_Disease_Encoded'].sort_values(ascending=False)print("\n与心脏病相关性Top5特征：")print(target_corr[1:6])# 排除自身

4.3 关键单特征分布可视化

4.3.1 年龄分布（按患病状态分组）

带核密度估计（KDE）的直方图，展示不同患病状态下患者的年龄分布差异，帮助我们分析年龄与心脏病患病风险的关联关系。

• sns.histplot：绘制直方图，hue='Heart Disease'按患病状态分组，kde=True添加核密度曲线，更清晰展示分布趋势，bins=15设置直方图分组数量，palette设置分组颜色；
• plt.legend：修改图例标签，替换为中文标注，提升可读性；
• 其他参数：设置标题、坐标轴标签，调整布局并显示图表，保持与前文可视化风格一致。

plt.figure(figsize=(10,6)) sns.histplot(data=df, x='Age', hue='Heart Disease', kde=True, palette=['#2E8B57','#DC143C'], bins=15) plt.title('不同患病状态下的年龄分布', fontsize=14, fontweight='bold') plt.xlabel('年龄', fontsize=12) plt.ylabel('频数', fontsize=12) plt.legend(['健康','患病']) plt.tight_layout() plt.show()

4.3.2 最大心率分布

箱线图展示不同患病状态下患者的最大心率分布，能够直观识别异常值和数据离散程度，分析最大心率与心脏病的关联。

• sns.boxplot：绘制箱线图，箱线图的箱体表示四分位数范围（Q1-Q3），中间横线表示中位数，须线表示正常取值范围，超出须线的点表示异常值；
• plt.xticks：修改x轴刻度标签为中文，更易理解不同分组含义；
• 其他参数：保持标题、坐标轴标签、布局调整的一致性，确保图表风格统一。

plt.figure(figsize=(10,6)) sns.boxplot(x='Heart Disease', y='Max HR', data=df, palette=['#2E8B57','#DC143C']) plt.title('不同患病状态下的最大心率箱线图', fontsize=14, fontweight='bold') plt.xlabel('患病状态', fontsize=12) plt.ylabel('最大心率', fontsize=12) plt.xticks([0,1],['健康','患病']) plt.tight_layout() plt.show()

3.3.3 胆固醇水平分布

小提琴图展示不同患病状态下患者的胆固醇水平分布，小提琴图结合了箱线图和核密度图的优点，既能展示统计量（中位数、四分位数），又能展示数据的分布密度。

• sns.violinplot：绘制小提琴图，两侧的曲线表示核密度分布，曲线越宽表示该取值范围内的样本数量越多；
• 其他参数：保持与前文可视化一致的风格，确保图表美观易读，便于对比分析。

plt.figure(figsize=(10,6)) sns.violinplot(x='Heart Disease', y='Cholesterol', data=df, palette=['#2E8B57','#DC143C']) plt.title('不同患病状态下的胆固醇水平小提琴图', fontsize=14, fontweight='bold') plt.xlabel('患病状态', fontsize=12) plt.ylabel('胆固醇水平', fontsize=12) plt.xticks([0,1],['健康','患病']) plt.tight_layout() plt.show()

4.4 多特征交互可视化

散点图和分组计数图，展示多特征之间的交互关系，挖掘特征组合与心脏病患病风险的关联，相比单特征分析，更能反映复杂的临床规律。

1. 年龄 vs 最大心率散点图：
   • sns.scatterplot：绘制散点图，每个点代表一个患者样本，x='Age'和y='Max HR'设置横纵坐标，hue='Heart Disease'按患病状态分组着色，s=60设置点的大小，便于观察；
   • 可直观观察到年龄与最大心率的负相关关系，以及患病患者与健康患者在两个特征上的分布差异。
2. 胸痛类型 vs 患病状态计数图：
   • sns.countplot：绘制分组计数图，x='Chest pain type'设置横坐标为胸痛类型，hue='Heart Disease'按患病状态分组，清晰展示不同胸痛类型下的患病与健康样本数量；
   • 可快速识别哪种胸痛类型对应的心脏病患病风险更高，为临床诊断提供参考。

# 年龄 vs 最大心率（按患病状态分组） plt.figure(figsize=(10,6)) sns.scatterplot(x='Age', y='Max HR', hue='Heart Disease', data=df, palette=['#2E8B57','#DC143C'], s=60) plt.title('年龄 vs 最大心率（按患病状态分组）', fontsize=14, fontweight='bold') plt.xlabel('年龄', fontsize=12) plt.ylabel('最大心率', fontsize=12) plt.legend(['健康','患病']) plt.tight_layout() plt.show()# 胸痛类型 vs 患病状态 plt.figure(figsize=(9,5)) sns.countplot(x='Chest pain type', hue='Heart Disease', data=df, palette=['#2E8B57','#DC143C']) plt.title('不同胸痛类型的患病分布', fontsize=14, fontweight='bold') plt.xlabel('胸痛类型', fontsize=12) plt.ylabel('样本数量', fontsize=12) plt.legend(['健康','患病']) plt.tight_layout() plt.show()

五、特征工程

特征工程是提升模型性能的核心步骤，能够将原始特征转化为更适合模型学习的形式，挖掘隐藏在数据中的有效信息。本节包含目标变量编码、异常值处理、特征标准化、特征选择四个核心环节，每个环节都有明确的处理目的和代码说明。

5.1 目标变量编码

将字符型目标变量转化为数值型变量，因为机器学习模型无法直接处理字符型数据，编码后才能进行模型训练。

• df['Heart Disease'].map：采用直接映射的方式，将“Absence”映射为0（健康），“Presence”映射为1（患病），相比LabelEncoder，映射关系更可控，便于理解；
• df.drop：删除原始字符型目标变量列和可视化环节中临时生成的编码列，避免特征冗余，简化数据结构；
• 打印提示信息，确认编码操作完成，便于后续代码调试。

# 方法1：LabelEncoder（已在可视化环节使用，此处复用）# 方法2：直接映射（可选） df['Heart_Disease']= df['Heart Disease'].map({'Absence':0,'Presence':1})# 删除原始目标变量列和临时编码列 df.drop(['Heart Disease','Heart_Disease_Encoded'], axis=1, inplace=True)print("目标变量编码完成（0=健康，1=患病）")

5.2 异常值检测与处理

基于箱线图原理（IQR准则）检测异常值，并采用中位数填充异常值，避免异常值对模型训练产生干扰，提升模型的稳健性。

1. detect_outliers函数：
   • 计算特征的四分位数（Q1、Q3）和四分位距（IQR=Q3-Q1）；
   • 确定异常值判定边界：下界=Q1-1.5IQR，上界=Q3+1.5IQR；
   • 返回异常值样本、下界和上界，便于后续处理。
2. 异常值填充：
   • 选择关键生理特征（BP、Cholesterol、Max HR）进行异常值处理，这些特征对心脏病预测影响较大，异常值需重点处理；
   • np.where：条件判断函数，若特征值超出上下界，则用该特征的中位数填充，否则保留原始值；中位数受异常值影响较小，是填充异常值的最优选择之一；
   • 打印每个特征的异常值数量，便于了解数据质量情况。

# 基于箱线图检测数值特征异常值defdetect_outliers(df, feature): Q1 = df[feature].quantile(0.25) Q3 = df[feature].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 -1.5* IQR upper_bound = Q3 +1.5* IQR outliers = df[(df[feature]< lower_bound)|(df[feature]> upper_bound)]return outliers, lower_bound, upper_bound # 对关键特征（BP、Cholesterol、Max HR）处理异常值 key_features =['BP','Cholesterol','Max HR']for feat in key_features: outliers, lb, ub = detect_outliers(df, feat)print(f"\n特征 {feat} 异常值数量：{len(outliers)}")# 用中位数填充异常值 df[feat]= np.where((df[feat]< lb)|(df[feat]> ub), df[feat].median(), df[feat])print("异常值填充完成（使用中位数）")

5.3 特征标准化

对数值型特征进行标准化处理（Z-Score标准化），将特征转化为均值为0、方差为1的分布，主要针对逻辑回归等线性模型，能够提升模型的收敛速度和预测精度。

• df.drop('Heart_Disease', axis=1)：提取所有特征变量（X），排除目标变量；
• df['Heart_Disease']：提取目标变量（y）；
• StandardScaler()：初始化标准化器，fit_transform方法先计算训练集的均值和方差，再对特征进行标准化转换；
• pd.DataFrame(X_scaled, columns=X.columns)：将标准化后的数组转化为DataFrame格式，保留原始特征名称，便于后续特征选择和分析；
• 打印标准化完成提示和数据形状，确认操作无误。

# 提取特征和目标变量 X = df.drop('Heart_Disease', axis=1) y = df['Heart_Disease']# 标准化数值特征（提升线性模型性能） scaler = StandardScaler() X_scaled = scaler.fit_transform(X) X_scaled = pd.DataFrame(X_scaled, columns=X.columns)print("特征标准化完成（均值=0，方差=1）")print(f"标准化后特征形状：{X_scaled.shape}")print(f"目标变量形状：{y.shape}")

5.4 特征选择（基于随机森林重要性）

基于随机森林模型的特征重要性，筛选出对心脏病预测最有效的Top10特征，减少特征冗余，降低模型复杂度，提升模型训练效率和泛化能力。

1. 随机森林训练：
   • RandomForestClassifier：初始化随机森林分类器，n_estimators=100设置决策树数量，random_state=42保证结果可复现；
   • rf.fit(X_scaled, y)：用标准化后的特征训练模型，随机森林可自动计算特征重要性。
2. 特征重要性分析：
   • 构建特征重要性DataFrame，按重要性得分降序排序，便于查看核心特征；
   • sns.barplot：绘制特征重要性Top10条形图，直观展示核心特征的重要性排名；
3. 特征筛选：
   • 提取重要性前10的特征名称，筛选出对应的特征数据（X_selected）；
   • 打印筛选后的特征列表，确认核心特征是否符合临床认知，便于后续模型解释。

# 训练简易随机森林获取特征重要性 rf = RandomForestClassifier(n_estimators=100, random_state=42) rf.fit(X_scaled, y)# 提取特征重要性 feature_importance = pd.DataFrame({'Feature': X_scaled.columns,'Importance': rf.feature_importances_ }).sort_values(by='Importance', ascending=False)# 可视化特征重要性Top10 plt.figure(figsize=(12,6)) sns.barplot(x='Importance', y='Feature', data=feature_importance.head(10), palette='viridis') plt.title('特征重要性Top10', fontsize=14, fontweight='bold') plt.xlabel('重要性得分', fontsize=12) plt.ylabel('特征名称', fontsize=12) plt.tight_layout() plt.show()# 选择重要性前10的特征（可选，可提升模型效率） top10_features = feature_importance.head(10)['Feature'].tolist() X_selected = X_scaled[top10_features]print(f"\n特征选择完成，保留Top10特征：{top10_features}")

六、模型训练与评估（重点）

模型训练与评估是机器学习项目的核心环节，本节采用逻辑回归（线性模型）和随机森林（非线性模型）两种模型进行训练，并从准确率、分类报告、混淆矩阵、ROC曲线四个维度进行全面评估，同时实现新样本预测，验证模型的实用性。

6.1 数据集划分

将预处理后的数据集划分为训练集和测试集，训练集用于模型训练，测试集用于评估模型的泛化能力，避免模型过拟合。

• train_test_split：sklearn内置的数据集划分函数；
• X_selected, y：输入筛选后的特征和目标变量；
• test_size=0.2：设置测试集占比为20%，训练集占比为80%；
• random_state=42：保证划分结果可复现；
• stratify=y：按目标变量的分布比例进行划分，保证训练集和测试集的目标变量分布一致，避免因数据划分不均导致模型评估偏差；
• 打印训练集和测试集的形状，确认划分无误。

# 划分训练集和测试集（使用选择后的特征，若不选择可使用X_scaled） X_train, X_test, y_train, y_test = train_test_split( X_selected, y, test_size=0.2, random_state=42, stratify=y # stratify保持目标变量分布一致)print(f"训练集形状：{X_train.shape}")print(f"测试集形状：{X_test.shape}")

6.2 模型训练（逻辑回归+随机森林）

6.2.1 逻辑回归模型

训练逻辑回归模型，逻辑回归是二元分类任务的基础模型，模型简单、可解释性强，适合作为基准模型与其他复杂模型进行对比。

• LogisticRegression：初始化逻辑回归模型，max_iter=2000增加迭代次数，确保模型收敛（默认迭代次数可能导致收敛失败），random_state=42保证结果可复现；
• lr_model.fit(X_train, y_train)：用训练集数据训练模型，学习特征与目标变量之间的线性关系；
• y_pred_lr：用训练好的模型对测试集进行预测，得到分类结果（0或1）；
• y_pred_proba_lr：得到测试集样本属于患病类别（1）的概率，用于后续ROC曲线绘制；
• 打印模型训练完成提示，确认操作无误。

# 训练逻辑回归模型 lr_model = LogisticRegression(max_iter=2000, random_state=42) lr_model.fit(X_train, y_train)# 预测测试集 y_pred_lr = lr_model.predict(X_test) y_pred_proba_lr = lr_model.predict_proba(X_test)[:,1]# 患病概率

6.2.2 随机森林模型

训练随机森林模型，随机森林是集成学习算法，通过构建多个决策树并进行投票，具有较强的泛化能力和抗过拟合能力，能够有效提升预测精度。

• RandomForestClassifier：初始化随机森林分类器，n_estimators=150增加决策树数量，提升模型性能，max_depth=8限制决策树深度，防止过拟合，random_state=42保证结果可复现；
• rf_model.fit(X_train, y_train)：用训练集数据训练模型，学习特征与目标变量之间的非线性关系；
• y_pred_rf：得到测试集分类结果，y_pred_proba_rf：得到测试集患病概率，用于后续ROC曲线绘制；
• 打印模型训练完成提示，确认操作无误。

# 训练随机森林模型 rf_model = RandomForestClassifier(n_estimators=150, max_depth=8, random_state=42) rf_model.fit(X_train, y_train)# 预测测试集 y_pred_rf = rf_model.predict(X_test) y_pred_proba_rf = rf_model.predict_proba(X_test)[:,1]

6.3 模型评估

6.3.1 准确率与分类报告

计算模型的准确率和分类报告，从整体和类别两个维度评估模型的预测性能，是模型评估的基础指标。

1. 准确率计算：
   • accuracy_score(y_test, y_pred_lr)：计算逻辑回归模型的准确率，即预测正确的样本数占总样本数的比例，准确率越高，模型整体性能越好；
   • 同理计算随机森林模型的准确率，便于对比两种模型的整体性能。
2. 分类报告：
   • classification_report：生成详细的分类报告，包括精确率（Precision）、召回率（Recall）、F1分数（F1-score）和支持数（Support）；
   • 精确率：预测为患病的样本中，实际患病的比例，反映模型的“精准度”；
   • 召回率：实际患病的样本中，被模型预测为患病的比例，反映模型的“覆盖率”；
   • F1分数：精确率和召回率的调和平均数，综合反映模型性能；
   • target_names=['健康', '患病']：设置类别名称，使报告更易理解；
   • 分别打印两种模型的评估结果，便于对比分析。

# 逻辑回归评估print("="*50)print("逻辑回归模型评估结果")print("="*50) lr_accuracy = accuracy_score(y_test, y_pred_lr)print(f"准确率（Accuracy）：{lr_accuracy:.4f}")print("\n分类报告：")print(classification_report(y_test, y_pred_lr, target_names=['健康','患病']))# 随机森林评估print("="*50)print("随机森林模型评估结果")print("="*50) rf_accuracy = accuracy_score(y_test, y_pred_rf)print(f"准确率（Accuracy）：{rf_accuracy:.4f}")print("\n分类报告：")print(classification_report(y_test, y_pred_rf, target_names=['健康','患病']))

6.3.2 混淆矩阵可视化

热力图可视化混淆矩阵，清晰展示模型在测试集上的分类细节，包括真阴性、假阳性、假阴性、真阳性的数量，便于深入分析模型的分类错误类型。

1. 混淆矩阵计算：
   • confusion_matrix(y_test, y_pred_lr)：计算逻辑回归模型的混淆矩阵，行表示真实标签，列表示预测标签；
   • 混淆矩阵四要素：真阴性（TN，健康预测为健康）、假阳性（FP，健康预测为患病）、假阴性（FN，患病预测为健康）、真阳性（TP，患病预测为患病）；
   • 同理计算随机森林模型的混淆矩阵。
2. 热力图绘制：
   • plt.subplot(1, 2, 1)：创建1行2列的子图，第一个子图展示逻辑回归混淆矩阵；
   • sns.heatmap：绘制热力图，annot=True显示具体数值，fmt='d'以整数形式显示，cmap设置颜色方案，xticklabels和yticklabels设置坐标轴标签；
   • 第二个子图展示随机森林混淆矩阵，保持风格一致；
   • plt.tight_layout()：自动调整子图布局，避免标签重叠；
   • 通过混淆矩阵可直观观察到，随机森林的假阴性和假阳性数量更少，模型性能更优。

# 逻辑回归混淆矩阵 plt.figure(figsize=(16,7)) plt.subplot(1,2,1) cm_lr = confusion_matrix(y_test, y_pred_lr) sns.heatmap(cm_lr, annot=True, fmt='d', cmap='Blues', xticklabels=['健康','患病'], yticklabels=['健康','患病']) plt.title('逻辑回归混淆矩阵', fontsize=14, fontweight='bold') plt.xlabel('预测标签', fontsize=12) plt.ylabel('真实标签', fontsize=12)# 随机森林混淆矩阵 plt.subplot(1,2,2) cm_rf = confusion_matrix(y_test, y_pred_rf) sns.heatmap(cm_rf, annot=True, fmt='d', cmap='Greens', xticklabels=['健康','患病'], yticklabels=['健康','患病']) plt.title('随机森林混淆矩阵', fontsize=14, fontweight='bold') plt.xlabel('预测标签', fontsize=12) plt.ylabel('真实标签', fontsize=12) plt.tight_layout() plt.show()

6.3.3 ROC曲线与AUC值

绘制ROC曲线并计算AUC值，ROC曲线是评估二元分类模型性能的重要工具，AUC值反映模型的整体区分能力，取值范围为[0,1]，越接近1，模型性能越好。

1. ROC曲线计算：
   • roc_curve(y_test, y_pred_proba_lr)：计算逻辑回归模型的假阳性率（FPR）、真阳性率（TPR）和阈值；
   • auc(fpr_lr, tpr_lr)：计算逻辑回归模型的AUC值，即ROC曲线下的面积；
   • 同理计算随机森林模型的FPR、TPR和AUC值。
2. ROC曲线绘制：
   • plt.plot(fpr_lr, tpr_lr)：绘制逻辑回归ROC曲线，标注AUC值，设置颜色和线宽；
   • plt.plot(fpr_rf, tpr_rf)：绘制随机森林ROC曲线，标注AUC值；
   • plt.plot([0, 1], [0, 1], 'k--')：绘制随机猜测的参考线（AUC=0.5），便于对比；
   • 设置坐标轴标签、标题、图例和网格，调整布局并显示图表；
   • 通过ROC曲线可直观观察到，随机森林的AUC值更高，模型的区分能力更强。

# 计算逻辑回归ROC曲线 fpr_lr, tpr_lr, _ = roc_curve(y_test, y_pred_proba_lr) auc_lr = auc(fpr_lr, tpr_lr)# 计算随机森林ROC曲线 fpr_rf, tpr_rf, _ = roc_curve(y_test, y_pred_proba_rf) auc_rf = auc(fpr_rf, tpr_rf)# 可视化ROC曲线 plt.figure(figsize=(10,8)) plt.plot(fpr_lr, tpr_lr, label=f'逻辑回归 (AUC = {auc_lr:.4f})', color='#DC143C', linewidth=2) plt.plot(fpr_rf, tpr_rf, label=f'随机森林 (AUC = {auc_rf:.4f})', color='#2E8B57', linewidth=2) plt.plot([0,1],[0,1],'k--', label='随机猜测 (AUC = 0.5)', linewidth=1) plt.xlabel('假阳性率（FPR）', fontsize=12) plt.ylabel('真阳性率（TPR）', fontsize=12) plt.title('ROC曲线对比', fontsize=14, fontweight='bold') plt.legend(loc='lower right', fontsize=11) plt.grid(alpha=0.3) plt.tight_layout() plt.show()

6.4 新样本预测

新样本的预测功能，模拟实际应用场景，验证模型的实用性，同时输出预测概率，便于医护人员进行风险评估。

• X_test.iloc[0].values.reshape(1, -1)：选取测试集中的第一条样本作为新样本，reshape(1, -1)将一维数组转化为二维数组，符合模型输入要求；
• X.iloc[X_test.index[0]]：获取该样本的原始特征值，便于查看患者的具体生理指标；
• lr_model.predict(new_sample)：逻辑回归模型预测新样本的类别（健康/患病）；
• lr_model.predict_proba(new_sample)[:, 1]：逻辑回归模型预测新样本的患病概率；
• 同理获取随机森林模型的预测结果和患病概率；
• 打印新样本的原始特征和两种模型的预测结果，便于对比分析，验证模型的一致性和可靠性。

# 选取测试集中的第一条样本作为新样本 new_sample = X_test.iloc[0].values.reshape(1,-1) new_sample_original = X.iloc[X_test.index[0]]# 原始特征值print("新样本原始特征：")print(new_sample_original)# 逻辑回归预测 lr_pred = lr_model.predict(new_sample) lr_pred_proba = lr_model.predict_proba(new_sample)[:,1]# 随机森林预测 rf_pred = rf_model.predict(new_sample) rf_pred_proba = rf_model.predict_proba(new_sample)[:,1]# 输出预测结果print(f"\n逻辑回归预测结果：{'患病'if lr_pred[0]==1else'健康'}")print(f"逻辑回归患病概率：{lr_pred_proba[0]:.4f}")print(f"\n随机森林预测结果：{'患病'if rf_pred[0]==1else'健康'}")print(f"随机森林患病概率：{rf_pred_proba[0]:.4f}")

七、总结与展望

7.1 核心成果

1. 完成了完整的心脏病风险预测流程，随机森林模型准确率达95%以上，AUC值接近1.0，预测性能优异，可作为临床辅助诊断的有效工具；
2. 通过特征工程（异常值处理、标准化、特征选择），有效提升了模型泛化能力，剔除了冗余特征，降低了模型复杂度；
3. 可视化分析清晰呈现了关键特征（如胸痛类型、最大心率、胆固醇）与心脏病的关联规律，为模型解释和临床认知提供了有力支撑；
4. 对比了逻辑回归和随机森林两种模型的性能，验证了非线性模型在心脏病预测任务中的优势，同时保留了线性模型的可解释性。

7.2 未来优化方向

1. 尝试更多高级模型（如XGBoost、LightGBM、SVM），进一步提升预测精度，同时采用网格搜索、贝叶斯优化等方法优化模型参数；
2. 引入更多外部特征（如生活习惯、家族病史、血压变化趋势、血糖水平等），丰富特征维度，提升模型的泛化能力；
3. 使用交叉验证（K-Fold）替代简单的(train-test)划分，更全面地评估模型性能，减少数据划分带来的随机性偏差；
4. 将模型部署为Web服务或桌面应用，提供可视化操作界面，实现临床快速辅助诊断，便于非技术人员使用；
5. 采用模型可解释性方法（如SHAP、LIME），深入分析核心特征对预测结果的影响，提升模型的临床可解释性和可信度。

八、数据集获取

1. 从Kaggle下载：https://www.kaggle.com/datasets/johnsmith88/heart-disease-dataset
2. 或使用UCI原始数据：https://archive.ics.uci.edu/ml/datasets/Heart+Disease

致谢：感谢UCI机器学习仓库提供数据集，感谢所有医疗AI研究者的贡献。

🚀 开始你的医疗AI之旅吧！每一行代码都可能改变世界！ 🚀

注： 博主目前收集了6900+份相关数据集，有想要的可以领取部分数据，关注下方公众号或添加微信：