Heart Disease UCI数据集，关于该数据集的详细信息可以参考文章：https://blog.csdn.net/didi_ya/article/details/120196857

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