心脏病数据集使用多元回归模型

心脏病数据集是一个常用的多元回归建模数据集，以下是使用Python实现的一个简单的多元回归模型示例：

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score

# 读取数据集
heart_data = pd.read_csv("heart.csv")

# 筛选出特征和标签列
X = heart_data.iloc[:, :-1].values
y = heart_data.iloc[:, -1].values

# 将数据集按照7:3的比例分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建线性回归模型
lr = LinearRegression()

# 将训练集数据和标签用于训练线性回归模型
lr.fit(X_train, y_train)

# 使用测试集数据预测结果
y_pred = lr.predict(X_test)

# 计算R平方值
r2 = r2_score(y_test, y_pred)

print("R平方值：{:.2f}".format(r2))

在这个示例中，我们使用pandas库读取一个名为"heart.csv"的数据集，然后使用train_test_split函数将数据集按照7:3的比例分为训练集和测试集。接着，我们创建一个LinearRegression对象，使用训练集数据和标签训练线性回归模型，并使用测试集数据预测结果。最后，我们使用r2_score函数计算R平方值（用于评估模型的拟合程度），并将结果打印出来。

需要注意的是，这只是一个简单的多元回归模型示例，如果要得到更好的预测结果，需要进行更多的数据清洗、特征选择和调参等工作。