关于数据集

心脏病数据集文档

该合成数据集包含个人的临床和生活方式属性，并有一个二元目标值指示是否存在心脏病。每行代表一个个体（患者记录）。数据以数值形式呈现，并经过分类编码，适用于预测心脏病风险等分类任务。

高层概述

• 行（记录）：每条记录对应一名患者。
• 列（特征）：人口统计、临床、测试结果和生活方式指标的混合。
• 目标：heart_disease（0=无心脏病，1=有心脏病）。
• 典型用途：
  • 用于风险预测（分类）的监督学习。
  • 心血管危险因素的探索性数据分析。
  • 特征重要性和模型可解释性研究。

列字典

柱子	类型	描述
age	数字	个人年龄（岁）。
sex	分类	生理性别（通常 0 = 女性，1 = 男性）。
cp	分类	胸痛类型（典型/非典型心绞痛、非心绞痛、无症状的序数编码）。
trestbps	数字	入院时测量静息血压（mm Hg）。
chol	数字	血清胆固醇（毫克/分升）。
fbs	分类	空腹血糖 >120 mg/dL 指标（0 = 假，1 = 真）。
restecg	分类	静息心电图结果（编码类别）。
thalach	数字	运动期间达到的最大心率。
exang	分类	运动诱发心绞痛（0 = 否，1 = 是）。
oldpeak	数字	与休息相比，运动引起的 ST 段压低。
slope	分类	峰值运动 ST 段的斜率（编码类别）。
ca	分类	通过荧光透视着色的主要血管数量（0-3）。
thal	分类	地中海贫血状态（编码；通常 3 = 正常，6 = 固定缺陷，7 = 可逆缺陷）。
smoking	分类	当前吸烟状况（0 = 否，1 = 是）。
diabetes	分类	糖尿病状况（0 = 否，1 = 是）。
bmi	数字	体重指数（kg/m²）。
heart_disease	二进制目标	是否存在心脏病（0 = 否，1 = 是）。

关于编码和范围的注释

• 几个临床字段（cp、restecg、slope、ca、thal加上二进制标志如fbs、exang、smoking、diabetes）被编码为整数；除非应用域重新编码，否则将它们视为分类。
• 典型的生理范围：
  • trestbps：成人静息血压，一般为 90–200+ 毫米汞柱。
  • chol：成人胆固醇典型值为 100–600 mg/dL。
  • thalach：通常在 60–210 bpm 之间，具体取决于年龄/健康状况。
  • oldpeak：非阴性，通常为 0–6（ST 段压低）。
  • bmi：临床数据集中通常为 15–45 kg/m²，但可能包含更广泛的值。
• ca通常在 0-3 范围内；超出此范围的值可能表示替代编码。

数据质量考虑因素

• 检查临床测量中的异常值（chol，trestbps，oldpeak，bmi），这些异常值可能需要缩尾处理或域审查。
• 验证分类代码本（例如thal，，，，）以确保正确映射到临床意义。cprestecgslope
• heart_disease评估模型选择和评估策略的类别平衡。
• 验证缺失；根据源约定，编码的零可能代表有效的负数或缺失的替代项。

推荐的预处理

• 将分类整数转换为具有有意义标签的分类数据类型。
• 为基于距离或正则化的模型缩放/标准化连续变量。
• 考虑特定领域的特征工程：
  • 得出血压类别。
  • 年龄组或交互项（例如age × thalach）。
  • 如果有临床依据，则风险综合评分。

示例用例

• 训练/测试分割并分层heart_disease。
• 基线：逻辑回归、基于树的模型（RF/GBM）和校准评估。
• 模型可解释性：SHAP 用于全局和局部因素贡献。