心脏病预测模型评估代码

以下是一个简单的心脏病预测模型评估代码的示例，使用逻辑回归模型和准确率作为评估指标：

# 导入必要的库和数据集
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

heart_disease = pd.read_csv('heart_disease.csv')

# 划分数据集
X = heart_disease.drop('target', axis=1)
y = heart_disease['target']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 训练模型
lr = LogisticRegression()
lr.fit(X_train, y_train)

# 预测并评估模型
y_pred = lr.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('准确率：', accuracy)

在这个示例中，我们使用 pandas 库导入了一个心脏病数据集，并使用 train_test_split() 方法将数据集划分为训练集和测试集。然后，我们使用 LogisticRegression() 方法创建了一个逻辑回归模型，并使用 fit() 方法对模型进行训练。接下来，我们使用 predict() 方法预测测试集的标签，并使用 accuracy_score() 方法计算准确率作为评估指标。最后，我们将准确率输出到控制台。需要注意的是，这只是一个简单的示例，实际评估中需要根据具体情况选择不同的评估指标和模型。