学习总结：基于心脏病数据集的机器学习模型构建与评估

1. 数据准备与缺失值处理

首先，使用 ucimlrepo 库获取了 UCI 的心脏病数据集（ID=45），并将其特征数据和目标数据转换为 NumPy 数组格式：

<PYTHON>

heart_disease = fetch_ucirepo(id=45)
features_array = heart_disease.data.features.to_numpy()
target_array = heart_disease.data.targets.to_numpy()

在处理数据时，发现特征数据中存在缺失值。为了处理这些缺失值，使用了 Scikit-learn 的SimpleImputer 工具，采用众数填补策略：

<PYTHON>

imputer = SimpleImputer(strategy='most_frequent')
imputed_data = imputer.fit_transform(data)
imputed_data1 = imputer.fit_transform(data1)

将填补后的数据重新赋值给原始特征数组，确保数据完整性：

<PYTHON>

features_array[:, -2] = imputed_data.reshape(-1)
features_array[:, -1] = imputed_data1.reshape(-1)

---

2. 数据集划分与模型训练

为了构建机器学习模型，将数据集划分为训练集和测试集，其中测试集占 30%：

<PYTHON>

Xtrain, Xtest, Ytrain, Ytest = train_test_split(features_array, target_array, test_size=0.3)

使用决策树分类器进行模型训练。在本次实验中，选择了基尼系数（Gini）作为划分标准，未设置最大深度和随机种子，以充分挖掘数据特性：

<PYTHON>

clf = tree.DecisionTreeClassifier(criterion="gini")
clf = clf.fit(Xtrain, Ytrain)

---

3. 模型评估

训练完成后，使用测试集对模型进行评估，并输出准确率：

<PYTHON>

score = clf.score(Xtest, Ytest)print(score)

通过这一步骤，可以初步了解模型在未见数据上的表现。

---

4. 学习曲线分析

为了进一步分析模型的性能，绘制了学习曲线。学习曲线展示了随着训练样本数量的增加，模型在训练集和验证集上的得分变化：

<PYTHON>

train_sizes, train_scores, test_scores = learning_curve(
    clf, features_array, target_array, cv=5,
    train_sizes=np.linspace(0.1, 1.0, 5)
)

通过计算训练集和验证集得分的均值，使用 Matplotlib 绘制学习曲线：

<PYTHON>

plt.plot(train_sizes, train_scores_mean, label="Training score")
plt.plot(train_sizes, test_scores_mean, label="Cross-validation score")
plt.xlabel("Training examples")plt.ylabel("Score")
plt.title("Learning Curve")
plt.legend()
plt.show()

学习曲线的结果可以帮助判断模型是否存在过拟合或欠拟合问题。如果训练集得分和验证集得分都较高且接近，说明模型性能良好；如果两者差距较大，则可能存在过拟合。

---

5. 总结与反思

通过本次实验，我学到了以下知识：

1. 数据处理：如何利用 SimpleImputer 处理缺失值，确保数据质量。
2. 模型构建：如何使用决策树分类器构建机器学习模型，并理解其参数的含义。
3. 模型评估：如何通过准确率和学习曲线评估模型性能。
4. 可视化：如何通过 Matplotlib 绘制学习曲线，直观展示模型表现。

在实验过程中，遇到了以下问题：

• 数据特征理解不足：对心脏病数据集的具体特征含义不熟悉，可能影响模型参数的调整效果。
• 模型调优不足：本次实验中未对决策树的超参数（如 max_depth、random_state 等）进行调优，未来可以尝试网格搜索或随机搜索优化模型。

---

6. 未来改进方向

1. 数据探索与分析：对数据集进行更深入的探索，理解每个特征的含义及其对目标变量的影响。
2. 模型调优：通过交叉验证和超参数调优（如 max_depth、min_samples_split 等）进一步提升模型性能。
3. 特征工程：尝试构建新特征或进行特征选择，提高模型的预测能力。
4. 模型比较：尝试其他分类算法（如随机森林、支持向量机等），并与决策树模型进行对比。

通过本次实验，我对机器学习的基本流程有了更深入的理解，同时也认识到数据预处理和模型调优的重要性。未来将继续学习和实践，提升机器学习建模的能力。