基于logistic回归模型对心脏病数据集进行建模的代码

下面是基于Logistic回归模型对心脏病数据集进行建模的代码示例：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# 读取心脏病数据集
heart_data = pd.read_csv('heart_data.csv')

# 提取特征和标签
X = heart_data.drop('target', axis=1)
y = heart_data['target']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建并训练Logistic回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 在训练集上进行预测
train_predictions = model.predict(X_train)
train_accuracy = accuracy_score(y_train, train_predictions)
print("训练集的准确率：", train_accuracy)

# 在测试集上进行预测
test_predictions = model.predict(X_test)
test_accuracy = accuracy_score(y_test, test_predictions)
print("测试集的准确率：", test_accuracy)

以上代码中，首先我们使用`pandas`库读取心脏病数据集。然后我们提取特征和标签，其中特征`X`是除去目标列`target`以外的其它列，标签`y`是目标列`target`。

接下来，我们使用`train_test_split`函数将数据集划分为训练集和测试集，其中`test_size`表示测试集的比例，`random_state`用于设置随机种子以确保划分的一致性。

然后，我们创建一个Logistic回归模型对象，并使用训练集上的数据来训练模型。

最后，我们可以使用模型来对训练集和测试集进行预测，并计算准确率，其中准确率通过使用`accuracy_score`函数计算。

以上就是基于Logistic回归模型对心脏病数据集进行建模的代码示例。