原文链接：http://tecdat.cn/?p=23061
数据集信息：
这个数据集可以追溯到1988年，由四个数据库组成。克利夫兰、匈牙利、瑞士和长滩。"目标 "字段是指病人是否有心脏病。它的数值为整数，0=无病，1=有病。
目标:
主要目的是预测给定的人是否有心脏病，借助于几个因素，如年龄、胆固醇水平、胸痛类型等。
我们在这个问题上使用的算法是：
- 二元逻辑回归
- Naive Bayes算法
- 决策树
- 随机森林
数据集的描述:
该数据有303个观察值和14个变量。每个观察值都包含关于个人的以下信息。
- 年龄:- 个人的年龄，以年为单位
- sex:- 性别（1=男性；0=女性）
- cp - 胸痛类型（1=典型心绞痛；2=非典型心绞痛；3=非心绞痛；4=无症状）。
- trestbps--静息血压
- chol - 血清胆固醇，单位：mg/dl
- fbs - 空腹血糖水平>120 mg/dl（1=真；0=假)
- restecg - 静息心电图结果（0=正常；1=有ST-T；2=肥大)
- thalach - 达到的最大心率
- exang - 运动诱发的心绞痛（1=是；0=否)
- oldpeak - 相对于静止状态，运动诱发的ST压低
- slope - 运动时ST段峰值的斜率（1=上斜；2=平坦；3=下斜)
- ca - 主要血管的数量（0-4），由Flourosopy着色
- 地中海贫血症--地中海贫血症是一种遗传性血液疾病，会影响身体产生血红蛋白和红细胞的能力。1=正常；2=固定缺陷；3=可逆转缺陷
- 目标--预测属性--心脏疾病的诊断（血管造影疾病状态）（值0=<50%直径狭窄；值1=>50%直径狭窄)
在Rstudio中加载数据
heart<-read.csv("heart.csv",header = T)
header = T意味着给定的数据有自己的标题，或者换句话说，第一个观测值也被考虑用于预测。
head(heart)
当我们想查看和检查数据的前六个观察点时，我们使用head函数。
tail(heart)
显示的是我们数据中最后面的六个观察点
colSums(is.na(heart))
这个函数是用来检查我们的数据是否包含任何NA值。
如果没有发现NA，我们就可以继续前进，否则我们就必须在之前删除NA。
检查我们的数据结构
str(heart)
查看我们的数据摘要
summary(heart)
通过观察以上的总结，我们可以说以下几点
- 性别不是连续变量，因为根据我们的描述，它可以是男性或女性。因此，我们必须将性别这个变量名称从整数转换为因子。
- cp不能成为连续变量，因为它是胸痛的类型。由于它是胸痛的类型，我们必须将变量cp转换为因子。
- fbs不能是连续变量或整数，因为它显示血糖水平是否低于120mg/dl。
- restecg是因子，因为它是心电图结果的类型。它不能是整数。所以，我们要把它转换为因子和标签。
- 根据数据集的描述，exang应该是因子。心绞痛发生或不发生。因此，将该变量转换为因子。
- 斜率不能是整数，因为它是在心电图中观察到的斜率类型。因此，我们将变量转换为因子。
- 根据数据集的描述，ca不是整数。因此，我们要将该变量转换为因子。
- thal不是整数，因为它是地中海贫血的类型。因此，我们将变量转换为因子。
- 目标是预测变量，告诉我们这个人是否有心脏病。因此，我们将该变量转换为因子，并为其贴上标签。
根据上述考虑，我们对变量做了一些变化
#例如 sex<-as.factor(sex) levels(sex)<-c("Female","Male")
检查上述变化是否执行成功
str(heart)
summary(heart)
EDA
EDA是探索性数据分析（Exploratory Data Analysis）的缩写，它是一种数据分析的方法/哲学，采用各种技术（主要是图形技术）来深入了解数据集。
对于图形表示，我们需要库 "ggplot2"
library(ggplot2) ggplot(heart,aes(x=age,fill=target,color=target)) + geom_histogram(binwidth = 1,color="black") + labs(x = "Age",y = "Frequency", title = "Heart Disease w.r.t. Age")
我们可以得出结论，与60岁以上的人相比，40至60岁的人患心脏病的概率最高。
table <- table(cp) pie(table)
我们可以得出结论，在所有类型的胸痛中，在个人身上观察到的大多数是典型的胸痛类型，然后是非心绞痛。
R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病-2
