从症状预测疾病 该项目探索使用机器学习算法来根据症状预测疾病。 探索的算法 在代码中探索了以下算法： 朴素贝叶斯 决策树 随机森林 梯度提升 数据集 源1 与main.py脚本一起使用的此问题的数据集是从此处下载的： https://www.kaggle.com/kaushil268/disease-prediction-using-machine-learning 该数据集共有133列，其中132例是患者经历的症状，以及该患者预后的最后一列。 源2 从此处下载用于Jupyter笔记本的此问题的数据集： https://impact.dbmi.columbia.edu/~friedma/Projects/DiseaseSymptomKB/index.html 该数据集包含3列： Disease | Count of Disease Occurrence | Symptom 您可以将整个表格从此处复制粘贴到excel工作表中，也可以使用Beautifulsoup将其刮下。 目录结构 |_ dataset/ |_ training_data.csv

机器学习在奶牛临床疾病预测中的应用.pdf

机器学习在疾病预测中的应用.pdf

糖尿病是世界上的慢性病之一，有 2.46 亿人患有这种疾病，根据世界卫生组织 (WHO) 的报告，到 2025 年，这一数字将增加到 3.8 亿。许多其他使人衰弱和严重的健康问题可能如果这种疾病没有得到诊断或仍然不明，则会进一步发展。 机器学习 (ML) 技术现在被用于教育、医疗保健、商业、推荐系统等各个领域。医疗保健数据复杂且维数高，并且包含不相关的信息——因此，预测准确度低。 本研究使用了皮马印第安人糖尿病数据集，它包含 768 条记录。 首先，将缺失值替换为中位数，然后进行线性判别分析。 使用 Python 编程语言，结合五种分类算法应用特征选择技术：支持向量机 (SVM)、多层感知器 (MLP)、逻辑回归、随机森林和决策树。 本文的目的是比较不同的分类算法，以便更准确地预测患者的糖尿病。 应用 K 折交叉验证，考虑 k 为 2、4、5 和 10。采用的性能参数为：准确度、精度、召回率、F 分数和曲线下面积。 我们的研究发现，MLP 分类器的最高准确率为 78.7%，召回率为 61.26%，准确率为 72.45%，k = 4 时 F1 得分为 65.97%。

本科毕业论文

心血管疾病预测

本文提出了一种将卷积神经网络(convolutional neural network, CNN)与LSTM相结合的混合深度学习神经网络框架。使用电子健康档案中真实数据集的研究结果表明，相比传统SVM，CNN和LSTM模型，该算法的预测性能得到显著提高。

机器学习，基于朴素贝叶斯算法的疾病预测。整个资源文件包括项目代码、文档（PDF）、项目汇报PPT

大数据癌症疾病预测算法python版（含数据），建议使用pycharm运行。

该资源是利用KNN算法对数据进行分类，以excel文件作为输入，能够针对患者的病症，得出他是否患有该病（准确率在70%左右）。有兴趣的童鞋可以下载看看哦！