机器学习|pyhton 机器学习 sklearn——手把手教你预测心脏病计算机视觉|opencv|机器学习|c

文章目录

流程
前期准备
- 数据
- 导包
数据操作
- 准备样本数据结果数据
- 切分训练集
- 训练数据
- - 逻辑回归
  - 决策树
结果
总结

流程 【机器学习|pyhton 机器学习 sklearn——手把手教你预测心脏病】1.数据导入，清洗拆分
2.通过sklearn得到数据模型
3.开始预测（这里我们将用回归和决策树来进行预测）
前期准备数据心脏病数据下载
导包

``` import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier

这里我们主要是sklearn的包，以及numpy，方便对于数据进行操作

数据操作准备样本数据结果数据

最后一列是我们的结果，我们需要把我们的结果和各项身体数据进行分离

#删除最后一列样本数据 features=heart_df.drop(columns=["target"]) #保存标签结果数据 target=heart_df["target"]

切分训练集

我们的训练集合的比列以3：1最为合适，即学习数据75%，预测数据25%，在sklearn里面也会有专门的函数来采集样本

#切分训练集 X_train,X_test,Y_train,Y_test=train_test_split(features,target,test_size=0.25)

训练数据逻辑回归

def test_logistic(*data): X_train, X_test, Y_train, Y_test=data clf=LogisticRegression()#逻辑回归 clf.fit(X_test,Y_test)#梯度下降，递归 print("学习模型预测成绩：{:.4f}".format(clf.score(X_train,Y_train))) print("实际模型预测成绩：{:.4f}".format(clf.score(X_test, Y_test)))

决策树

def test_decision_tree(*data): X_train, X_test, Y_train, Y_test = data clf=DecisionTreeClassifier(max_depth=3,criterion="entropy") clf.fit(X_train,Y_train) print("学习模型决策树预测成绩：{:.4f}".format(clf.score(X_train, Y_train))) print("实际模型决策树预测成绩：{:.4f}".format(clf.score(X_test, Y_test))) # decision_tree_pre=clf.predict(X_test) # print("decision_tree:",decision_tree_pre) # print("true lbel:",Y_test) return clf

结果