机器学习项目实战：心脏病预测全流程解析

1. 机器学习项目实战：从数据预处理到模型评估全流程解析

作为一名数据科学从业者，我经常被问到："一个完整的机器学习项目到底应该怎么做？"今天我就以心脏病预测这个经典案例，带大家走一遍从数据清洗到模型评估的全流程。这个项目特别适合刚入门机器学习的朋友，因为数据集规模适中（约300条记录），但包含了数值型、类别型、有序型等各种特征类型，能覆盖大部分实际业务场景。

在开始之前，我们需要明确几个核心目标：第一，理解数据背后的业务含义；第二，掌握特征工程的标准化流程；第三，学会用多种算法建模并客观评估模型表现。我会在讲解过程中穿插一些实际项目中容易踩的坑，比如特征缩放时容易忽略的细节、类别变量编码的陷阱等。

2. 数据理解与探索性分析

2.1 数据加载与初步观察

首先我们加载数据并查看基本信息。这里我强烈建议在读取数据后立即做三件事：查看前几行样本、检查数据类型、统计缺失值情况。这些看似简单的步骤往往能发现数据中的潜在问题。

python复制import pandas as pd
import numpy as np

# 加载数据并重命名列（中文更直观）
data = pd.read_csv('heart.csv')
column_mapping = {
    'age': '年龄', 'sex': '性别', 'cp': '胸痛类型', 
    'trestbps': '静息血压', 'chol': '血清胆固醇',
    'fbs': '空腹血糖', 'restecg': '静息心电图结果',
    'thalach': '最大心率', 'exang': '运动诱发心绞痛',
    'oldpeak': 'ST段压低', 'slope': 'ST段斜率',
    'ca': '主要血管数', 'thal': '地中海贫血', 
    'target': '心脏病诊断'
}
data = data.rename(columns=column_mapping)

print("数据维度:", data.shape)
print("\n前5行数据:")
print(data.head())
print("\n数据类型统计:")
print(data.dtypes.value_counts())
print("\n缺失值统计:")
print(data.isnull().sum())

注意：实际项目中经常会遇到列名不规范的情况，建议在读取数据后立即统一命名规范。中文列名虽然直观，但在团队协作时可能造成编码问题，需要权衡使用。

2.2 特征类型解析

这个数据集包含13个特征和1个目标变量，可以划分为以下几类：

1. 连续型特征：

   • 年龄（数值）
   • 静息血压（mmHg）
   • 血清胆固醇（mg/dl）
   • 最大心率（bpm）
   • ST段压低（mm）

2. 离散型特征：

   • 性别（0=女，1=男）
   • 空腹血糖（>120mg/dl为1，否则为0）
   • 运动诱发心绞痛（0=无，1=有）

3. 有序分类特征：

   • 胸痛类型（1-4表示疼痛程度）
   • ST段斜率（1=上斜，2=平坦，3=下斜）
   • 主要血管数（0-3）
   • 地中海贫血（1=正常，2=固定缺损，3=可逆缺损）

4. 目标变量：

   • 心脏病诊断（0=无，1=有）

2.3 可视化分析

通过可视化可以快速发现数据分布特点和潜在异常值。我习惯使用Seaborn绘制以下几种图表：

python复制import seaborn as sns
import matplotlib.pyplot as plt

# 设置可视化风格
sns.set_style("whitegrid")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 连续变量分布
plt.figure(figsize=(12,8))
continuous_cols = ['年龄', '静息血压', '血清胆固醇', '最大心率', 'ST段压低']
for i, col in enumerate(contin