心脏病检测Web应用程序 该存储库包含为此Web应用程序项目开发的所有代码文件。 这是一个作为Web应用程序部署的机器学习项目。 预览： ： 目的：该项目旨在开发一种机器学习模型，该模型可用于根据给定的医学报告数据预测患有心脏病的患者。 编程语言：Python3 图书馆：Sklearn，Pandas，NumPy，Matplotlib，Seaborn等 Web框架：Python中的Flask Web框架 部署：Heroku 使用的技能：编程，数据分析，机器学习算法知识，数据结构和算法知识，Web开发。 该存储库的文件介绍， “ heart.csv”是从UCI机器学习存储库中获取的数据集。 “ model.py”是用于开发机器学习模型的python脚本。 在可用数据集上对“ knn_model.py”进行训练后，将其保存为ML模型。 “ app.py”具有开发Web应

physionet_challange_2015 用于分析 2015 年心脏病挑战赛中物理网计算的心电图数据的源代码

Kaggle网站上提供的数据集，共包含1025条数据，每条数据14个属性（13个特征+1个标签）

数据属性说明： age: 该朋友的年龄 sex: 该朋友的性别 (1 = 男性, 0 = 女性) cp: 经历过的胸痛类型（值1：典型心绞痛，值2：非典型性心绞痛，值3：非心绞痛，值4：无症状） trestbps: 该朋友的静息血压（入院时的毫米汞柱） chol: 该朋友的胆固醇测量值，单位 ：mg/dl fbs: 人的空腹血糖（> 120 mg/dl，1=真；0=假） restecg: 静息心电图测量（0=正常，1=患有ST-T波异常，2=根据Estes的标准显示可能或确定的左心室肥大） thalach: 这朋友达到的最大心率 exang: 运动引起的心绞痛（1=有过；0=没有） oldpeak: ST抑制，由运动引起的相对于休息引起的（“ ST”与ECG图上的位置有关。） slope: 最高运动ST段的斜率（值1:上坡，值2:平坦，值3:下坡） ca: 萤光显色的主要血管数目（0-4） thal: 一种称为地中海贫血的血液疾病（3=正常；6=固定缺陷；7=可逆缺陷） target: 心脏病（0=否，1=是） 心脏病数据有一定问题。

利用人工智能预测心脏病死亡率 python machine learning deep learning

使用机器学习R和发光的心脏疾病预测 庄主：Soham Bakore 使用R和Shiny创建Web应用程序以使用机器学习预测心脏病 我们正在使用三种机器学习算法，分别是朴素贝叶斯（Naive Bayes），支持向量机（SVM）和决策树。 目前，在支持SVM的Shiny Web应用中实现了精度最高的算法。 用户的“登录和注册”模块正在进行中，将很快更新。

内部含数据集以及R语言分析实例

Heart_Disease_Prediction “＃Heart_Disease_Prediction”

心脏病诊断是一项复杂的任务，需要大量的经验和知识。 预测心脏病的传统方法是医生检查或进行许多医疗检查，例如ECG，压力测试和心脏MRI等。如今，医疗保健行业包含大量的医疗保健数据，其中包含隐藏的信息。 这些隐藏的信息对于做出有效的决策很有用。 基于计算机的信息以及先进的数据挖掘技术可用于获得适当的结果。 神经网络是广泛用于预测心脏病诊断的工具。 在这篇研究论文中，使用神经网络开发了心脏病预测系统（HDPS）。 HDPS系统可预测患者患上心脏病的可能性。 为了进行预测，该系统使用了性别，血压，胆固醇等13种医学参数。 在这里，增加了两个参数，即肥胖和吸烟，以提高准确性。 从结果可以看出，神经网络以近100％的准确度预测心脏病。

机器学习+2020年心脏病数据集+来自于kaggle