采用机器学习技术的心脏病预测方法（12）——采用决策树（Decision Tree）

目录

• • 一、决策树概述
    • 二、关键代码实现
    • 三、性能评估标准
    • • 3.1 混淆矩阵分析
      • 3.2 预测得分计算
      • 3.3 召回率指标
      • 3.4 F1分数评估
      • 3.5 FN（假阴性）
      • 3.6 ROC曲线绘制
      • 3.7 AUC数值分析

一、决策树介绍

决策树（Decision Tree）是一种基于已知各类事件发生概率的分析方法，通过构建树状结构来计算净现值期望值不低于零的可能性，从而评估项目风险并判断其实施可行性。该方法属于一种直观的概率分析图解方式。因其决策分支图形酷似树木的枝干结构，因此被命名为决策树。在机器学习领域中，决策树作为一种预测模型，用于表达对象属性与其对应值之间的映射关系。Entropy 代表系统的混乱程度，在 ID3、C4.5 和 C5.0 等生成树的算法中均采用了熵作为度量标准，这一概念源自信息论中的熵理论。
决策树以树形结构呈现，其中内部节点表示对某一属性进行测试的过程，各分支则对应不同的测试结果输出，而叶节点则表示最终的分类结果。
决策树是当前应用最为广泛的分类技术之一，并且属于监督学习的一种形式。

二、核心代码实现与分析

首先应加载所需的库文件及对应的数据集：

    i