机器学习算法构建预测糖尿病模型

机器学习算法构建预测糖尿病模型

引用

CSDN

1.

https://m.blog.csdn.net/2301_77801940/article/details/139970359

糖尿病是一种常见的慢性疾病，其发病率在全球范围内呈上升趋势。据世界卫生组织报告，每年约有320万人死于糖尿病导致的并发症。因此，建立准确的糖尿病预测模型对于早期诊断和预防具有重要意义。本文将通过一个完整的机器学习项目流程，展示如何构建预测糖尿病的模型。

前言

世界卫生组织近日发布报告称，糖尿病患者的数量正以惊人的速度增长，目前全球每年约有320万人死于糖尿病导致的并发症。本项目旨在通过机器学习算法构建预测糖尿病模型。

一、数据收集

本项目使用的数据集包含以下特征：

• Pregnancies：怀孕次数
• Glucose：葡萄糖
• BloodPressure：血压 (mm Hg)
• SkinThickness：皮层厚度 (mm)
• Insulin：胰岛素 2小时血清胰岛素（mu U / ml）
• BMI：体重指数 （体重/身高）^2
• DiabetesPedigreeFunction：糖尿病谱系功能
• Age：年龄 （岁）
• Outcome：类标变量 （0或1）

二、模型构建

1.引入库

import warnings
warnings.filterwarnings('ignore')
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

2.数据加载与探索

首先加载数据集，并对数据进行基本的探索性分析，包括查看数据的基本信息、统计摘要、特征分布等。

# 加载数据
d = pd.read_csv('D:\Anconda\PimaIndiansdiabetes.csv')
# 数据探索
d.head()  # 查看数据的前几行
d.info()  # 查看数据的基本信息，包括列名、非空值数量、数据类型等
d.isnull().sum().sum()  # 检查是否有缺失值
d.shape, d.keys(), type(d)  # 查看数据集的形状、列名和数据类型
d.describe()  # 数值型特征的统计摘要信息
d.groupby('Outcome').size()  # 查看目标变量的分布情况

3.数据可视化分析

通过直方图、散点图、箱线图等方式，对数据进行可视化和深入分析，了解各个特征之间的关系和分布情况。

# 绘制直方图和散点图
d.hist(figsize=(16, 14))
sns.pairplot(d, vars=d.columns, hue='Outcome')  # 绘制特征之间的散点图矩阵，按照Outcome（结果）着色
sns.pairplot(d, vars=d.columns[:-1], hue='Outcome')  # 排除最后一个变量（Outcome）的散点图矩阵
sns.pairplot(d, diag_kind='hist')  # 对角线上为直方图的散点图矩阵
d.plot(kind='box', subplots=True, layout=(3,3), sharex=False, sharey=False, figsize=(16,14))  # 绘制箱线图

4.数据预处理和特征工程

包括特征选择（利用SelectKBest和卡方检验选择重要特征）、数据标准化等步骤，以便后续模型训练使用。

# 特征选择
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
X = d.iloc[:, 0:8]  # 特征变量
Y = d.iloc[:, 8]  # 目标变量
select_top_4 = SelectKBest(score_func=chi2, k=4)  # 选择排名前4的特征
fit = select_top_4.fit(X, Y)
features = fit.transform(X)
X_features = pd.DataFrame(data=features, columns=['Glucose', 'Insulin', 'BMI', 'Age'])  # 选取的特征变量
# 数据标准化
from sklearn.preprocessing import StandardScaler
rescaledX = StandardScaler().fit_transform(X_features)  # 标准化特征变量
X = pd.DataFrame(data=rescaledX, columns=X_features.columns)

5.模型建立和评估

选择了多个分类模型（逻辑回归、朴素贝叶斯、K近邻、决策树、支持向量机），使用交叉验证评估模型性能，并输出平均准确率。

#数据集划分
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, random_state=2019, test_size=0.2)
#模型选择和建立
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
models = []
models.append(("LR", LogisticRegression()))  # 逻辑回归
models.append(("NB", GaussianNB()))  # 高斯朴素贝叶斯
models.append(("KNN", KNeighborsClassifier()))  # K近邻分类
models.append(("DT", DecisionTreeClassifier()))  # 决策树分类
models.append(("SVM", SVC()))  # 支持向量机分类
#模型评估
import warnings
warnings.filterwarnings('ignore')
results = []
names = []
for name, model in models:
    kfold = KFold(n_splits=10)
    cv_result = cross_val_score(
        model, X_train, Y_train, cv=kfold, scoring='accuracy')
    names.append(name)
    results.append(cv_result)
 #输出模型评估结果
for i in range(len(names)):
    print(names[i], results[i].mean())

6.主成分分析（PCA）和支持向量机（SVM）模型

使用PCA将高维数据降低到二维，然后使用SVM进行分类，并通过混淆矩阵和分类报告评估模型的性能。同时，利用网格搜索优化SVM的超参数。

from sklearn.decomposition import KernelPCA
# 使用KernelPCA进行主成分分析
kpca = KernelPCA(n_components=2, kernel='rbf')
X_train_pca = kpca.fit_transform(X_train)
X_test_pca = kpca.transform(X_test)
# 可视化PCA降维后的数据
plt.figure(figsize=(10, 8))
plt.scatter(X_train_pca[:, 0], X_train_pca[:, 1], c=Y_train, cmap='plasma')
plt.xlabel("First principal component")
plt.ylabel("Second principal component")
# 使用SVM进行分类
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix
classifier = SVC(kernel='rbf')
classifier.fit(X_train_pca, Y_train)
# 在测试集上进行预测并评估模型性能
y_pred = classifier.predict(X_test_pca)
cm = confusion_matrix(Y_test, y_pred)  # 混淆矩阵
print(cm)
print(classification_report(Y_test, y_pred))
# 使用网格搜索优化SVM模型的超参数
from sklearn.model_selection import GridSearchCV
param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [1, 0.1, 0.01, 0.001]}
grid = GridSearchCV(SVC(), param_grid, refit=True, verbose=2)
grid.fit(X_train_pca, Y_train)
# 输出最优模型的分类报告
grid_predictions = grid.predict(X_test_pca)
print(classification_report(Y_test, grid_predictions))

7.结果可视化

使用箱线图展示不同模型的交叉验证结果分布。

# 结果可视化
ax = sns.boxplot(data=results)
ax.set_xticklabels(names)
plt.show()

总结

这段代码展示了一个完整的机器学习项目流程，从数据加载和探索性分析开始，到数据预处理、特征工程、模型选择和评估，最后使用主成分分析和支持向量机进行建模和优化。