Ash-projects-personal/heart-attack-detection-ml

# 心脏病发作检测-机器学习 [](LICENSE) [](https://www.python.org/) [](https://scikit-learn.org/) [](https://www.tensorflow.org/) 构建了这个预测模型来分析医疗数据并标记高风险心脏病患者。在此推送核心 ML pipeline。 这是一个 machine learning pipeline，接收患者生命体征和 EHR 数据（年龄、胆固醇、静息血压、最大心率、ECG 结果等），并预测患心脏病的可能性。 我在特征工程上投入了大量时间——将原始指标组合成临床风险指标，如 pressure_rate_ratio 和 age_chol_risk 指数。与仅将原始特征输入算法相比，这显著提高了模型准确性。 训练了两个不同的模型来比较方法。scikit-learn 的 Random Forest 具有很好的可解释性，我用它来提取特征重要性，结果显示工程化的 high_risk_profile 和 oldpeak（ST depression）是最强的预测因子。使用 TensorFlow/Keras 的带 dropout 的 3 层 feed-forward neural network 在准确率上略胜于 Random Forest。 两个模型在测试集上都达到了约 83% 的准确率。 ``` pip install -r requirements.txt python heart_disease_predictor.py ``` 这会生成一个合成数据集（模仿 UCI Heart Disease 数据集结构），执行特征工程，训练两个模型，并将准确率指标和图表输出到 outputs/ 文件夹。 ## 免责声明 本项目仅用于教育和研究目的。它**不是**医疗器械，未经临床验证，不得用于诊断、治疗或做出任何医疗决策。请务必咨询合格的医疗专业人员。 ## 许可证 根据 [MIT 许可证](LICENSE) 发布。

标签：Apex, EHR数据, Keras, Python, Random Forest, scikit-learn, TensorFlow, 临床风险预测, 二分类问题, 人工智能医疗, 医疗健康, 医疗数据分析, 心脏病预测, 无后门, 机器学习, 模型训练, 模型评估, 深度学习, 特征工程, 疾病检测, 神经网络, 逆向工具