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。

抱歉，此机器人非常不稳定................................................不断更新该机器人

CE903集团项目弗雷明汉心脏研究 构建预测模型，以预测十年的冠心病风险。 目录 基本信息 旨在准确预测10年内冠心病的总体风险（即患者是否处于危险中）的研究该数据集包含4230名患者和15个属性，在除去缺失值后，剩下3658个总样本。 输出存储在变量'TenYearCHD'下，并显示在丢失缺失值之前和之后的类不平衡： 0类没有风险| 3101 | 84.8％ 第1类| 十年风险| 557 | 15.2％ 下图显示了标签的不平衡： 我们探索不同的预测分类模型，其目标是调整可以准确地对两个类别进行分类的模型，为此，评估的重点指标将是： 精确 记起 F1分数 精确召回曲线的曲线下面积（AUC） 该指标是在处理不平衡数据集的基础上选择的，为了处理这种不平衡，选择的主要技术是综合少数族裔过采样技术（SMOTE）和随机欠采样。 同样重要的是要注意，由于研究的性质，召回将优先于精度，因为

Heart_Disease_Prediction “＃Heart_Disease_Prediction”

kaggle心脏疾病数据集

正常窦性心律VI1 simulink，人工心脏，窦搏动更大，频率，FS=2FA=2FV.13张图为窦道，5张图为A和V。

心脏疾病预测因子 根据疾病预防控制中心（CDC）的报告，心脏病是美国的主要死亡原因。 如果我们在心脏病变得严重之前就尝试诊断，那岂不是很棒吗？ 我的模型根据患者的医疗报告预测患者是否患有心脏病。 下载数据集 此数据集来自UCI机器学习，可在此处下载： : 数据集细节 在数据中，将为您提供几个属性： 年龄 性别 胸痛类型（4个值） 静息血压 血清胆固醇，mg / dl 空腹血糖> 120 mg / dl 静息心电图结果（值0、1、2） 达到最大心率 运动性心绞痛 oldpeak =运动引起的相对于休息的ST抑郁 最高运动ST段的斜率 萤光显色的主要血管数目（0-3） thal：3 =正常； 6 =固定缺陷； 7 =可逆缺陷 算法 这是一个分类问题（二进制分类），其结果可以解释为0和1（0 =无心脏病，1 =有心脏病）。 我使用了两种方法：使用Keras的和。 我的神经网络涉及

Standards of measurement, physiological interpretation, and clinical use

heart_scale的matlab数据集

matlab精度检验代码ML_Heart_Disease_Project 内容 先决条件 Matlab版本2018a 统计和机器学习工具箱 神经网络工具箱 可以使用以下内容，但如果不存在，则将其跳过： 并行计算工具箱（用于优化设备的随机森林计算） 深度学习工具箱（需要绘制混淆图） 资料夹 load_heart_csv.m 从当前目录加载包含名为heart.csv的心脏数据的数据文件，并将数据拆分为训练集和测试集，返回训练集和测试集以及cvpartition对象的标签和功能。 该脚本修复了随机种子，因此交叉验证分区以及测试和训练数据的划分是确定性的，以允许可重复性。 探索性数据分析（EDA文件夹） boxpolts.m 生成用于分类预测变量特征的箱线图和显示分类数据频率值的条形图 EDA.ipynb 对数据执行基本的探索性分析，并生成要素之间相关性的热图。 NB调整文件夹 Run_NB_Analysis.m 这是在朴素贝叶斯模型上运行实验的顶级脚本。 该脚本运行贝叶斯优化和网格搜索，以测试正态分布和内核分布并优化所有功能上的内核宽度。 还运行手动网格搜索，其中对连续要素尝试了分布的所有组