knn算法预测心脏病数据集

KNN算法（K-Nearest Neighbors）是一种基于实例的学习（Instance-based Learning）方法，用于分类和回归。它的基本思想是：对于一个新的输入实例，根据其k个最近邻的训练样本的标签来预测其标签。在这里，我们使用KNN算法来预测心脏病数据集中是否患有心脏病。

首先，我们需要加载数据集并进行预处理。可以使用pandas库来读取CSV文件，然后使用train_test_split函数将数据集分为训练集和测试集。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 读取数据集
data = pd.read_csv('heart.csv')

# 划分数据集
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)

# 数据归一化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

接下来，我们创建一个KNN分类器，并使用训练集对其进行训练。然后，使用测试集来评估分类器的准确性。

# 创建KNN分类器
knn = KNeighborsClassifier(n_neighbors=5)

# 训练分类器
knn.fit(X_train_scaled, y_train)

# 预测测试集
y_pred = knn.predict(X_test_scaled)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

最后，我们可以使用训练好的模型对新数据进行预测。

# 预测新数据
new_data = pd.DataFrame([[63, 1, 3, 145, 233, 1, 0, 150, 0, 2.3, 0, 0, 1]], 
                        columns=X.columns)
new_data_scaled = scaler.transform(new_data)
prediction = knn.predict(new_data_scaled)
print('Prediction:', prediction)

以上代码演示了如何使用KNN算法预测心脏病数据集。