机器学习在心脏病预测与水果疾病检测中的应用

### 机器学习在心脏病预测与水果疾病检测中的应用 #### 心脏病预测 在心脏病预测领域，K - 近邻（K - NN）算法发挥着重要作用。K - NN 算法是一种非参数计算方法，它无需对隐藏信息做出假设，可用于分类和回归问题。通过 K - NN 计算，新信息能够被有效归类到相似类别中。该算法存储所有可用信息，并对新的数据点进行分组。 ##### 模块划分 整个心脏病预测工作可划分为以下几个模块： 1. **数据收集**：这是至关重要的第一步，主要负责收集合适的数据集。收集更多信息有助于改善数据集质量。此次使用的数据集包含 14 列和 1026 行。 2. **数据预处理**：该过程旨在去除或消除不必要或重复的值，并将数据转换为更易于处理的形式。具体包括处理空值、将数据集划分为训练集和测试集，最后进行元素缩放，以限制因素范围，使数据在常规情况下具有可比性。 3. **模型训练**：首先利用训练数据集对机器学习模型进行调优和拟合，然后使用测试数据集分析模型的可靠性。为每个超参数组合确定得分，并不断循环，直至获得理想值。最后，根据测试数据集的输入从训练好的模型中获取预测结果。数据集按 70:30 的比例划分为训练集和测试集。 ##### 数据集分析 以下是数据集的部分信息： - **前六行数据**： | age | sex | cp | trestbps | chol | fbs | restecg | thalach | exang | oldpeak | slope | ca | thal | target | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | 52 | 1 | 0 | 125 | 212 | 0 | 1 | 168 | 0 | 1.0 | 2 | 2 | 3 | 0 | | 53 | 1 | 0 | 140 | 203 | 1 | 0 | 155 | 1 | 3.1 | 0 | 0 | 3 | 0 | | 70 | 1 | 0 | 145 | 174 | 0 | 1 | 125 | 1 | 2.6 | 0 | 0 | 3 | 0 | | 61 | 1 | 0 | 148 | 203 | 0 | 1 | 161 | 0 | 0.0 | 2 | 1 | 3 | 0 | | 62 | 0 | 0 | 138 | 294 | 1 | 1 | 106 | 0 | 1.9 | 1 | 3 | 2 | 0 | | 58 | 0 | 0 | 100 | 248 | 0 | 0 | 122 | 0 | 1.0 | 1 | 0 | 2 | 1 | - **统计信息**： | 特征 | count | mean | std | min | 25% | 50% | 75% | Max | | --- | --- | --- | --- | --- | --- | --- | --- | --- | | age | 1025.000000 | 54.434146 | 9.072290 | 29.000000 | 48.000000 | 56.000000 | 61.000000 | 77.000000 | | sex | 1025.000000 | 0.695610 | 0.460373 | 0.000000 | 0.000000 | 1.000000 | 1.000000 | 1.000000 | | cp | 1025.000000 | 0.942439 | 1.029641 | 0.000000 | 0.000000 | 1.000000 | 2.000000 | 3.000000 | | trestbps | 1025.000000 | 131.611707 | 17.516718 | 94.000000 | 120.000000 | 130.00000 | 140.00000 | 200.00000 | | chol | 1025.00000 | 246.00000 | 51.59