ml-heart-disease:使用随机森林进行心脏病预测和分析_机器学习预测患者应该接受哪种治疗模型资源-CSDN文库

共12个文件

png：8个

ipynb：1个

md：1个

JupyterNotebook

需积分: 10 31 浏览量 2021-04-05 21:38:57 上传评论 3 收藏 480KB ZIP 举报

资源推荐

资源详情

资源评论

Cardiovascular-disease-using-decision-trees-and-random-forest-classifier-:决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性

心血管疾病使用决策树和随机森林分类器决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性

Heart_disease_prediction:使用5种算法进行心脏病预测

心脏病预测 Heart Disease prediction using 5 algorithms - Logistic regression, - Random forest, - Naive Bayes, - KNN(K Nearest Neighbors), - Decision Tree then improved accuracy by adjusting different aspe

heart-attack-prediction::red_heart:使用Logistic回归，K-NN，SVM和内核SVM算法通过机器学习进行简单的心脏病发作预测

心脏病发作预测使用Logistic回归，K最近邻，支持向量机和内核支持向量机算法（无需探索性数据分析）通过机器学习进行简单的心脏病发作预测。

heart_disease_analysis:在kaggle网站上使用R对心脏病数据集进行数据分析

心脏疾病数据集的数据分析我在Kaggle网站心脏病数据集上使用R进行了数据分析。可在此处获取分析的pdf版本。如果有问题，请发表评论，并帮助我改善代码并学得更好。该分析包含：单变量分析，PCA和聚类

基于机器学习的内配型钢钢管混凝土柱承载力的预测使用随机森林、线性回归、xgboost、cnn进行预测

5星 · 资源好评率100%

- -------- <项目介绍> 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到96分，放心下载使用！ 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计

heart_disease_prediction:心脏病UCI数据集

heart_disease_prediction 心脏病UCI数据集该实验只是根据心脏病的缺席情况简单地预测心脏病的存在。 1.关于数据集：该数据集在Kaggle（）上提供。并且可以从UCI机器学习存储库（）中获得。数据包含总共14个属性，如下所示。属性说明年龄：岁性别：性别（1 =男性； 0 =女性） cp：胸痛类型值1：典型心绞痛值2：非典型心绞痛值3：非心绞痛

Heart-Disease-Prediction-Using-Machine-Learning-R-and-Shiny-:使用R和Shiny创建Web应用程序以使用机器学习预测心脏病

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。

ML-Heart-Disease-Prediction:存储库包含心脏病项目，该项目端到端实施，并部署在AWS EC2实例和Heroku中

ML-心脏疾病预测存储库包含心脏病项目，该项目端到端实施，并部署在AWS EC2实例和Heroku中

heart-disease.names

心脏病是人类健康的头号杀手，每年全世界有1/3的死亡人口是由心脏病引起的，在我国每年有几十万人死于心脏病，通过体检数据建立一套心脏病预测系统是非常实用的。一共两数据heart-disease.names cleveland.data new.data

Multi-class-Heart-Disease-Prediction:使用ANN进行多个类别的心脏病预测

多类别心脏疾病预测使用ANN进行多个类别的心脏病预测

Flight-Delay-Prediction:使用随机森林分类器进行航班延误预测的Web应用程序

飞行延迟预测介绍延误是任何运输系统中最令人难忘的性能指标之一。值得注意的是，民航业者将延误理解为航班延误或推迟的时间。因此，延迟可以由飞机的起飞或到达的预定时间与实际时间之间的差异来表示。国家监管机构有许多与航班延误的容忍阈值有关的指标。实际上，航班延误是航空运输系统中必不可少的主题。 2013年，欧洲有36％的航班延误了超过5分钟，而美国有31.1％的航班延误了超过15分钟。这表明

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

房屋价格预测-ML-Hackaton：使用具有相关热图，PCA和随机森林回归的特征选择进行房屋价格预测

房屋价格预测-ML-Hackaton：使用具有相关热图，PCA和随机森林回归的特征选择进行房屋价格预测

分析欺诈数据：我使用了随机森林，这是一种用于对欺诈进行分类的强大的整体学习方法

分析欺诈数据我使用了随机森林（Random Forest），这是一种用于对欺诈进行分类的强大的整体学习方法。

GEE基于两期sentinel2遥感影像使用随机森林方法进行土地分类中各地类面积的统计结果分析

5星 · 资源好评率100%

基于两期sentinel2遥感影像使用随机森林方法进行土地分类中各地类面积的统计结果分析，上一回分析了以下求如何进行获取地类面积转换的影像结果，这次我们进行地类转换后面积的统计计算，面积统计计算主要是两个，第一个首先要统计各地类影像面积，第二个就是要统计地类中的面积。期间会用到一些函数，如下：上一篇文章的链接地址： https://mp.csdn.net/mp_blog/creation/e

KaggleTitanicSurvival:Kaggle 项目预测泰坦尼克号乘客的生还。我使用 scikit-learn 的随机森林进行预测

Kaggle泰坦尼克号生存 Kaggle 项目预测泰坦尼克号乘客的生还。我使用 scikit-learn 的随机森林进行预测。

使用随机森林和逻辑回归进行拉丁美洲 ADRS 和银行的绩效预测-研究论文

在本文中，随机森林和逻辑回归支持财务分析函数的预测工具来预测公司绩效，并根据其对绩效的影响对会计和公司变量进行排名。对拉丁美洲存托凭证 (ADR) 和拉丁美洲银行各一个样本进行了十倍交叉验证实验。随机森林表明，影响 ADR 性能的最重要变量是规模和法律和秩序传统；影响银行的最重要变量是规模、长期存款资产、董事人数和法律制度的效率。当随机森林的排序和预测能力与逻辑回归参数相结合时，小样本预测

机器学习之使用随机森林回归模型进行cpu占有率预测

这代码使用Pandas、scikit-learn和tqdm库，通过随机森林回归模型预测虚拟机行为。它从CSV文件读取训练数据，对虚拟机ID进行独热编码，使用时间和编码特征训练模型，并在进度条下训练。然后，从另一个CSV文件读取测试数据，对测试数据进行相同的编码处理，利用训练好的模型预测虚拟机行为（平均值），将结果逐行输出，并创建DataFrame和CSV文件以保存预测结果。代码旨在分析虚拟机行为并

heart-attack-prediction:该系统使用14个医学参数（例如年龄，性别，血压，胆固醇）进行预测。 EHDPS可以预测患者患上心脏病的可能性。它可以建立重要的知识，例如，与心脏病和疾病相关的医学因素之间的关系

心脏病发作预测该系统使用14个医学参数（例如年龄，性别，血压，胆固醇）进行预测。 EHDPS可以预测患者患上心脏病的可能性。它使重要的知识得以建立，例如，与心脏病有关的医学因素与模式之间的关系。

cic-ids-2018:CSE-CIC-IDS-2018使用随机森林进行分析

带有CSE-CIC-IDS-2018的指令检测系统这是针对CIC-IDS-2018的具有随机森林算法的机器学习分析。它仅使用“ Thursday-15-02-2018_TrafficForML_CICFlowMeter.csv”文件来分析DDoS攻击。我将模型应用于通过Django和Django-Channels来利用sFlow的软件定义网络中的DDoS攻击。在这里了解更多： : 信用

使用Logistic回归，随机森林和支持向量机进行欺诈检测的比较分析-研究论文

为了方便付款和无分类，如今信用卡付款已变得非常流行。从我们的银行帐户中，我们可以直接在线支付款项。尽管采用这种简单的付款方式，但它仍具有欺诈的缺点。未授权人员访问其他人的银行详细信息称为入侵者。这些入侵者还可以访问一些未经授权的交易。为了防止这种情况，我们需要一些强大的机制。在本文中，我们使用了三种不同的分类算法（逻辑回归，随机森林和支持向量）进行欺诈检测，并将发现这三种算法的准确性比

Qt 5实现串口调试助手（源工程文件、0积分下载）

5星 · 资源好评率100%

基于Qt 5实现串口调试助手，程序仅供参考，修改了之前十六进制接收0xA0--0xFF有误的问题，新增了窗口自适应（ui文件设置栅格），文件详情可看博客链接https://blog.csdn.net/m0_51294753/article/details/121405661。

【SystemVerilog】路科验证V2学习笔记（全600页）.pdf

5星 · 资源好评率100%

SystemVerilog的听课学习笔记，包括讲义截取、知识点记录、注意事项等细节的标注。目录如下：第一章 SV环境构建常识 1 1.1 数据类型 1 四、二值逻辑 4 定宽数组 9 foreach 13 动态数组 16 队列 19 关联数组 21 枚举类型 23 字符串 25 1.2 过程块和方法 27 initial和always 30 func

AutoSAR标准协议4.2.2

5星 · 资源好评率100%

AutoSAR标准协议规范4.2.2，里面包含了AutoSAR组织所规定的AutoSAR架构的标准规范协议原文档。对AutoSAR的学习有一定的借鉴意义

收起资源包目录

ml-heart-disease-main.zip （12个子文件）

ml-heart-disease-main

output_img

pdp_chest_pain_type_typical_angina.png 1KB

pdp_st_depression.png 1KB

pdp_thalassemia_fixed_defect.png 1KB

roc.png 16KB

2dpdp_chest_pain_type_typical_angina_num_major_vessels.png 1KB

permutation_importance.png 128KB

feature_importance.png 49KB

pdp_num_major_vessels.png 1KB

data

heart.csv 11KB

model

RF_model.sav 331KB

RF.ipynb 367KB

README.md 77B

评论收藏

内容反馈

信徒阿布

粉丝: 39
资源: 4576

ml-heart-disease:使用随机森林进行心脏病预测和分析

机器学习项目实战：基于随机森林进行心脏病分类（数据集）

ML_heart_disease：python3程序，用于分析各种风险因素之间的趋势并使用ML模型来预测心脏病

使用数据挖掘技术对心脏病的早期预测-研究论文

UCI-Heart-ML:使用机器学习的心脏病患者数据可视化和预测

disease-predictor:使用随机森林分类器和KNN开发的用于预测心脏病，糖尿病和乳腺癌的Django应用

Cardiovascular-disease-using-decision-trees-and-random-forest-classifier-:决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性

Heart_disease_prediction:使用5种算法进行心脏病预测

heart-attack-prediction::red_heart:使用Logistic回归，K-NN，SVM和内核SVM算法通过机器学习进行简单的心脏病发作预测

heart_disease_analysis:在kaggle网站上使用R对心脏病数据集进行数据分析

基于机器学习的内配型钢钢管混凝土柱承载力的预测 使用随机森林、线性回归、xgboost、cnn进行预测

heart_disease_prediction:心脏病UCI数据集

Heart-Disease-Prediction-Using-Machine-Learning-R-and-Shiny-:使用R和Shiny创建Web应用程序以使用机器学习预测心脏病

ML-Heart-Disease-Prediction:存储库包含心脏病项目，该项目端到端实施，并部署在AWS EC2实例和Heroku中

heart-disease.names

Multi-class-Heart-Disease-Prediction:使用ANN进行多个类别的心脏病预测

Flight-Delay-Prediction:使用随机森林分类器进行航班延误预测的Web应用程序

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

房屋价格预测-ML-Hackaton：使用具有相关热图，PCA和随机森林回归的特征选择进行房屋价格预测

分析欺诈数据：我使用了随机森林，这是一种用于对欺诈进行分类的强大的整体学习方法

GEE基于两期sentinel2遥感影像使用随机森林方法进行土地分类中各地类面积的统计结果分析

KaggleTitanicSurvival:Kaggle 项目预测泰坦尼克号乘客的生还。 我使用 scikit-learn 的随机森林进行预测

使用随机森林和逻辑回归进行拉丁美洲 ADRS 和银行的绩效预测-研究论文

机器学习之使用随机森林回归模型进行cpu占有率预测

heart-attack-prediction:该系统使用14个医学参数（例如年龄，性别，血压，胆固醇）进行预测。 EHDPS可以预测患者患上心脏病的可能性。 它可以建立重要的知识，例如，与心脏病和疾病相关的医学因素之间的关系

cic-ids-2018:CSE-CIC-IDS-2018使用随机森林进行分析

使用Logistic回归，随机森林和支持向量机进行欺诈检测的比较分析-研究论文

Qt 5实现串口调试助手 （源工程文件、0积分下载）

【SystemVerilog】路科验证V2学习笔记（全600页）.pdf

AutoSAR标准协议4.2.2

最新资源

基于机器学习的内配型钢钢管混凝土柱承载力的预测使用随机森林、线性回归、xgboost、cnn进行预测

KaggleTitanicSurvival:Kaggle 项目预测泰坦尼克号乘客的生还。我使用 scikit-learn 的随机森林进行预测

heart-attack-prediction:该系统使用14个医学参数（例如年龄，性别，血压，胆固醇）进行预测。 EHDPS可以预测患者患上心脏病的可能性。它可以建立重要的知识，例如，与心脏病和疾病相关的医学因素之间的关系

Qt 5实现串口调试助手（源工程文件、0积分下载）