1.一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，包括：
2.根據權利要求1所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s1中，kaggle公開的心臟病數據集包括五個公共子數據集：cleveland、hungarian、switzerland、long?beach?va和stalog；
3.根據權利要求1所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s2中，兩種類別為：有心臟病風險和無心臟病風險，分別進行關聯規則特征挖掘和特征選擇，包括：
4.根據權利要求3所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s2中，關聯規則挖掘屬于機器學習中的無監督學習算法，一個關聯規則可以被下式定義：；
5.根據權利要求3所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s2中，susie模型以ser模型為基礎，設susie模型是一個多元回歸模型，個解釋變量中只有一個具有非零回歸系數，即效應變量，則在ser模型中，假定殘差方差、效應變量的先驗方差和先驗包含概率，ser模型可以被以下式子定義：
6.根據權利要求1所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s3中，隨機森林的核心思想是使用一組決策樹對輸入數據進行訓練和預測；將所有樹的結果進行聚合以做出最終的預測，每棵決策樹都是在從原始數據集中抽取的bootstrap樣本上進行訓練的，并且在每個節點上，都會隨機選擇一個特征子集來劃分數據，從而在樹之間引入可變性；
7.根據權利要求6所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s3中，基于tpe過程的貝葉斯優化算法對隨機森林分類器進行超參數優化，包括：
8.根據權利要求7所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s3中，保序回歸是一種將自由形式的線條擬合一系列觀測值的技術，使得擬合線條在任何位置都是單調并且盡可能接近觀測值；
9.根據權利要求1所述的一種基于關聯交互的可解釋心臟病風險預警方法，其特征在于，所述步驟s4中，shap模型通過將映射到，以此創建簡化的輸入；