基于Python实现的心脏衰竭致死相关因素研究 课程论文+源码及数据集

心脏衰竭致死相关因素的研究
目录
心脏衰竭致死相关因素的研究	
1	基本介绍	
12 个特征进行了汇总解释。	
2	数据可视化	
3.1 变量相关性分析	
3	数据预处理	
3.2 LASSO 回归	
4.1 逻辑回归	
4 预测	
1 + e−(wXT +b)	
4.2 支持向量机 (SVM)	
4.3 随机森林	
4.4 结果	
参考文献	
参考文献	
数据来源及代码	
摘要：心脏衰竭对于人类健康构成了重大威胁，研究心脏衰竭致死的相关因素对于疾病的治疗和预防具有重要意义。基于原始数据集，本文关注了 12 个相关因素，从三个角度递进式的进行分析。首先，对数据进行可视化处理，直观的展现相关关系；其次，利用统计学方法分析了各因素与致死之间的相关性关系，并利用 Lasso 方法得到了更为重要的因素。最后，分别使用机器学习中的逻辑回归方法, 支持向量机（SVM）和随机森林三种模型构建分类器，训练得到用于预测的模型。
关键词: Lasso 方法，逻辑回归，支持向量机
1	基本介绍
心脑血管疾病是人类健康的第一大威胁，每年约有 1790 万人死于该病，占据了全球总死亡人数的
31%。心血管疾病导致易导致心脏衰竭，对人体健康构成直接威胁，分析心脏衰竭致死相关因素，预测心脏衰竭的致死率具有重要价值。相关因素包括年龄，患病时间，各种生理化学指标等等。
本文基于 Davide Chicco, Giuseppe Jurman 的研究调查的数据集，包括了约 300 个病人的信息，对于每个病人，关注了	12	个不同的因素，最后还包括了是否死亡这一重要信息。在下表中我们对
12 个特征进行了汇总解释。