企业官网建设流程全解析

1. 认识UCI心脏病数据集

第一次接触UCI心脏病数据集时，我被它丰富的临床属性吸引了。这个数据集包含了来自四个不同医疗机构的患者数据，但最常用的是克利夫兰诊所的数据。数据集有14个关键特征，从基本的人口统计信息到专业的医学指标，覆盖了诊断心脏病所需的方方面面。

我特别喜欢这个数据集的一点是，它非常贴近真实临床场景。比如胸痛类型(cp)这个特征，就包含了四种不同的心绞痛分类，这在临床上非常重要。还有thal这个指标，它反映的是一种叫做地中海贫血的血液疾病，这个特征在大多数公开数据集中都很难见到。

不过这个数据集也有些"坑"需要注意。最大的问题是缺失值，特别是ca(主要血管数目)和thal(地中海贫血)这两个特征。我在第一次使用时没注意这个问题，直接建模结果惨不忍睹。后来才发现数据集里有6条记录存在缺失值，必须得先处理这个问题。

2. 数据清洗实战

2.1 处理缺失值

处理缺失值前，我习惯先用pandas做个快速检查：

import pandas as pd data = pd.read_csv('processed.cleveland.csv') print(data.isnull().sum())

结果显示ca列有4个缺失值，thal列有2个缺失值。对于医学数据，我一般不会用均值填充，因为每个患者的状况都很独特。我的做法是直接删除这些记录：

data.dropna(inplace=True)

删除后还剩297条记录。虽然损失了一些数据，但保证了数据的可靠性。如果你实在不想删除，可以考虑用众数填充ca列，因为它的取值是离散的0-3；thal列则可以用"正常"作为默认值填充。

2.2 统一编码格式

原始数据中，thal和target列的编码不太一致。比如thal在原始数据中用3、6、7表示不同状态，而在处理后的版本中用0、1、2表示。为了让模型更好理解，我建议统一编码：

# 统一thal编码 data['thal'] = data['thal'].replace({3:0, 6:1, 7:2}) # 将target转为二分类 data['target'] = data['target'].apply(lambda x: 1 if x > 0 else 0)

这样处理后，所有分类特征都有了统一的编码规范，模型训练时会更加稳定。

3. 特征工程技巧

3.1 特征理解与转换

这个数据集有几个特征需要特别注意：

1. 年龄(age)：我习惯将其分箱处理，因为心脏病风险与年龄不是简单的线性关系。可以这样操作：

data['age_group'] = pd.cut(data['age'], bins=[0,40,50,60,70,100], labels=['<40','40-50','50-60','60-70','>70'])

2. 血压(trestbps)和胆固醇(chol)：这些连续值特征我通常会做标准化处理：

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() data[['trestbps','chol']] = scaler.fit_transform(data[['trestbps','chol']])

3. thalach(最大心率)：这个特征很有意思，我发现在不同年龄段的正常范围不同，所以创建了一个新的特征"心率年龄比"：

data['hr_age_ratio'] = data['thalach'] / data['age']

3.2 特征相关性分析

在建模前，我必做的一件事是分析特征相关性。用seaborn画热力图是个好方法：

import seaborn as sns import matplotlib.pyplot as plt plt.figure(figsize=(12,10)) sns.heatmap(data.corr(), annot=True, cmap='coolwarm') plt.show()

从我的分析结果看，exang(运动引起的心绞痛)和oldpeak(ST段压低)与目标变量的相关性最高，而fbs(空腹血糖)的相关性很低。这提示我们在特征选择时可能需要有所侧重。

4. 构建预测模型

4.1 数据准备

在建模前，我们需要做最后的准备工作：

from sklearn.model_selection import train_test_split # 选择特征 features = ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach', 'exang', 'oldpeak', 'slope', 'ca', 'thal'] X = data[features] y = data['target'] # 划分训练测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4.2 模型训练与评估

我比较喜欢先用随机森林做个baseline，因为它对特征工程的要求相对较低：

from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, f1_score rf = RandomForestClassifier(n_estimators=100, random_state=42) rf.fit(X_train, y_train) y_pred = rf.predict(X_test) print(f"准确率: {accuracy_score(y_test, y_pred):.2f}") print(f"F1分数: {f1_score(y_test, y_pred):.2f}")

在我的测试中，这个baseline模型能达到约85%的准确率。如果想进一步提升性能，可以尝试以下方法：

1. 调整类别权重，因为数据集中阳性和阴性样本的比例可能不均衡
2. 使用网格搜索优化超参数
3. 尝试其他算法如XGBoost或逻辑回归

5. 实际应用中的注意事项

在临床环境中应用这个模型时，有几个关键点需要注意：

首先，不同医疗机构的数据收集标准可能不同。比如血压测量方法、胆固醇检测方式等，这些都会影响模型的泛化能力。我建议在实际部署前，用本地数据对模型进行微调。

其次，要特别注意特征的解释性。医生们更愿意相信那些他们能理解的预测结果。因此，使用SHAP或LIME等可解释性工具非常重要：

import shap explainer = shap.TreeExplainer(rf) shap_values = explainer.shap_values(X_test) shap.summary_plot(shap_values[1], X_test, feature_names=features)

最后，要定期更新模型。医学知识和技术在不断进步，模型的预测标准也应该与时俱进。我通常每半年就会用新数据重新训练一次模型。

这个项目最让我有成就感的是，经过适当的数据预处理和特征工程后，即使是相对简单的模型也能达到不错的预测效果。这再次验证了在机器学习项目中，数据和特征的质量往往比算法选择更重要。