ValueError: could not convert string to float: 'Yes'

这个错误通常是因为在数据集中包含了字符串类型的数据，而模型无法直接处理字符串数据。解决这个问题的方法有两种：

1. 将字符串数据转换为数值型数据：如果字符串数据具有一定的序列性质，可以将其转换为数值型数据，例如将“Yes”转换为1，将“No”转换为0等等。可以使用`sklearn.preprocessing`中的`LabelEncoder`或`OneHotEncoder`对字符串数据进行转换。

2. 删除字符串数据：如果字符串数据对模型训练没有帮助，可以直接将其删除，只保留数值型数据。可以使用`pandas`的`drop`函数或`select_dtypes`函数选择数值型数据进行模型训练。

以下是使用`LabelEncoder`对字符串数据进行转换的示例代码：

import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# 加载数据
data = pd.read_csv('heart_disease.csv')

# 特征工程
X = data.drop('target', axis=1)
y = data['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 将字符串数据转换为数值型数据
le = LabelEncoder()
X_train['sex'] = le.fit_transform(X_train['sex'])
X_train['fbs'] = le.fit_transform(X_train['fbs'])

# 模型训练
model = LogisticRegression()
model.fit(X_train, y_train)

# 模型评估
X_test['sex'] = le.fit_transform(X_test['sex'])
X_test['fbs'] = le.fit_transform(X_test['fbs'])
y_pred = model.predict(X_test)
acc = accuracy_score(y_test, y_pred)

print('Accuracy:', acc)

在上述代码中，我们使用`LabelEncoder`将`sex`和`fbs`特征中的字符串数据转换为数值型数据，然后再进行模型训练和评估。