nour43210/Heart-Disease-Detection-

# ❤️ 心脏病检测系统 ## 📌 项目概述 本项目旨在开发一个**心脏病检测系统**，采用以下技术： - 🧠 基于规则的专家系统（Experta） - 🤖 机器学习模型（决策树 - Scikit-Learn） 系统分析患者健康数据以预测心脏病风险。 ## 🎯 项目目标 - 使用 AI 技术检测心脏病风险 - 比较基于规则的推理与机器学习 - 通过可视化提供数据洞察 - 构建清晰且结构化的项目 ## ⚙️ 使用技术 - Python 🐍 - Pandas & NumPy - Scikit-Learn - Experta（专家系统） - Seaborn & Matplotlib - Streamlit（UI） ## 📊 项目流程 ### 1. 数据处理 - 处理缺失值 - 归一化数值数据 - 编码类别特征 - 使用相关性进行特征选择 - 保存清洗后的数据集 ### 2. 数据可视化 - 统计摘要 - 相关性热力图 - 直方图与箱线图 - 特征重要性分析 ### 3. 基于规则的专家系统 - 使用 Experta 构建 - 包含至少 10 条医学规则 - 根据症状提供风险分类 ### 4. 机器学习模型 - 决策树分类器 - 训练/测试分割（80/20） - 超参数调优 - 性能评估： - 准确率 - 精确率 - 召回率 - F1 分数 ### 5. 对比分析 - 比较专家系统与机器学习模型 - 分析准确率与可解释性 ## 📁 项目结构

标签：Apex, Experta, F1分数, Kubernetes, Matplotlib, NumPy, Python, Scikit-Learn, Seaborn, Streamlit, 专家系统, 云计算, 交互式应用, 决策树, 准确率, 分类模型, 医疗诊断, 召回率, 心脏病检测, 心脏病预测, 数据清洗, 数据预处理, 无后门, 机器学习, 机器学习对比, 模型评估, 热力图, 特征选择, 特征重要性, 用户界面, 直方图, 箱线图, 精确率, 规则对比, 规则引擎, 解释性AI, 训练测试分割, 访问控制, 超参数调优, 逆向工具, 风险预测