数据分析+分类模型预测乳腺癌患病概率
一、前言
本文利用python预处理数据集,再通过机器学习模型:LR、SGD预测乳腺癌患病概率,对比两个模型的预测效果,选择最优的预测方式。
二、数据集说明
数据集源于威斯康星州临床科学中心。每个记录代表一个乳腺癌的随访数据样本。
#导入pandas与numpy工具包。
import pandas as pd
import numpy as np
# 创建特征列表;10个特征,class是类别标签。
column_names = ['Sample code number', 'Clump Thickness','Uniformity of Cell Size', 'Uniformity of Cell Shape','Marginal Adhesion', 'Single Epithelial Cell Size','Bare Nuclei', 'Bland Chromatin', 'Normal Nucleoli', 'Mitoses','Class']
# 使用pandas.read_csv函数从互联网读取指定数据。
data = pd.read_csv(
'https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data'
, names = column_names )
#查看数据情况
data.head()
#数据描述性统计信息
data.describe()
#查看数据维度;一共699条数据,11列:前10列是特征信息,最后一列是类别标签
data.shape
#查看数据集类别样本分布
#2为良性,4为恶性
data.groupby('Class')['Mitoses'].count().reset_index(name='class_count')
三、缺失值处理
# 将?替换为标准缺失值表示。
data = data.replace(to_replace='?', value=np.nan)
# 丢弃带有缺失值的数据(只要有一个维度有缺失)。
data = data.dropna(how='any')
# 输出data的数据量和维度。
data.shape
四、构建训练集和测试集
# 使用sklearn.cross_valiation里的train_test_split模块用于分割数据。
from sklearn.cross_validation import train_test_split
# 随机采样25%的数据用于测试,剩下的75%用于构建训练集合。
X = data[column_names[1:10]] # 第一列“Sample code number”为编号,与Y无相关性,过滤掉
Y = data[column_names[10]]
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.25, random_state=33)
# 查验训练样本的数量和类别分布。
y_train=pd.Series(y_train)
y_train.value_counts()
# 查验测试样本的数量和类别分布。
y_test=pd.Series(y_test)
y_test.value_counts()
标准化数据集
# 从sklearn.preprocessing里导入StandardScaler。
from sklearn.preprocessing import StandardScaler
#标准化数据,保证每个维度的特征数据方差为1,均值为0;
#使得预测结果不会被某些维度过大的特征值而主导。
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)
五、搭建模型
# 从sklearn.linear_model里导入LogisticRegression与SGDClassifier。
from sklearn.linear_model import LogisticRegression
from sklearn.linear_model import SGDClassifier
# 初始化LogisticRegression与SGDClassifier。
lr = LogisticRegression()
sgdc = SGDClassifier()
# 调用LogisticRegression中的fit函数/模块用来训练模型参数。
lr.fit(X_train, y_train)
# 使用训练好的模型lr对X_test进行预测,结果储存在变量lr_y_predict中。
lr_y_predict = lr.predict(X_test)
# 调用SGDClassifier中的fit函数/模块用来训练模型参数。
sgdc.fit(X_train, y_train)
# 使用训练好的模型sgdc对X_test进行预测,结果储存在变量sgdc_y_predict中。
sgdc_y_predict = sgdc.predict(X_test)
六、评估模型效果
LR模型效果
# 从sklearn.metrics里导入classification_report模块。
from sklearn.metrics import classification_report
# 使用逻辑斯蒂回归模型自带的评分函数score获得模型在测试集上的准确性结果。
print ("Accuracy of LR Classifier:", lr.score(X_test, y_test))
# 利用classification_report模块获得LR其他三个指标的结果。
print (classification_report(y_test, lr_y_predict, target_names=['Benign', 'Malignant']))
SGD模型效果
# 使用随机梯度下降模型自带的评分函数score获得模型在测试集上的准确性结果。
print ('Accuarcy of SGD Classifier:', sgdc.score(X_test, y_test))
# 利用classification_report模块获得SGDClassifier其他三个指标的结果。
print (classification_report(y_test, sgdc_y_predict, target_names=['Benign', 'Malignant']))
对比以上预测结果,LR的预测效果要由于SGD.
推荐阅读:
机器学习篇
机器学习入门科普篇--系列一
机器学习入门科普篇--系列二
Pandas做股票预测
Pandas透视表看火箭队James_Harden赛季数据
客户流失分析
全球变暖温度分析图
python学习篇
50W+Python开发者的选择,这个总结必须收藏
Python3.8发布了,关注哪些新特性
优雅的Python
让你的 Python 代码优雅又地道
数据分析+分类模型预测乳腺癌患病概率相关推荐
- 人口预测和阻尼-增长模型_使用分类模型预测利率-第3部分
人口预测和阻尼-增长模型 This is the final article of the series " Predicting Interest Rate with Classifica ...
- 人口预测和阻尼-增长模型_使用分类模型预测利率-第2部分
人口预测和阻尼-增长模型 We are back! This post is a continuation of the series "Predicting Interest Rate w ...
- KS值是衡量分类模型预测准确度的重要指标之一,它反映了模型预测结果与实际数据分布差异的程度。本文将介绍什么是KS值,如何计算以及在Python中如何实现。
KS值是衡量分类模型预测准确度的重要指标之一,它反映了模型预测结果与实际数据分布差异的程度.本文将介绍什么是KS值,如何计算以及在Python中如何实现. KS值定义 KS值又称为"Kolm ...
- 人口预测和阻尼-增长模型_使用分类模型预测利率-第1部分
人口预测和阻尼-增长模型 A couple of years ago, I started working for a quant company called M2X Investments, an ...
- 传统机器学习分类模型预测股价涨跌
前言 股票市场风起云涌,只有对股价有良好的预测才能够更好的抓住盈利机会.那么传统的机器学习分类模型在这方面的效果如何呢? 本文在只考虑5.10.20日移动平均线.移动指数平均线这六项指标的情况下,比较 ...
- LGBM分类模型预测
基本代码如下: from lightgbm import LGBMClassifier from sklearn.model_selection import GridSearchCV from sk ...
- 基于KNN的分类模型-预测美团外卖城市等级
需求介绍 美团有自己的城市等级,外卖依据其业务体量,重新划分了外卖的城市等级.这个城市根据其业务情况来划分的,比较详细. 现在有以下样本数据. city_name city_level pnum dd ...
- 数据分析案例:预测乳腺癌是否复发
医院有78条乳腺癌病人的数据,这些病人经过治疗,其中34位5年内病情复发,另外44位5年内未见复发,现需要对19位经过治疗的病人,分析其在5年内是否会复发,并评估模型的准确性及可行性. 数据说明 训练 ...
- 数据分析--分类模型
(1)决策树 (2)逻辑回归 (3)随机森 (4)朴素贝叶斯.
最新文章
- php使用pdo操作mysql数据库实例_php5使用pdo连接数据库实例
- AI一分钟 |世界上第一个无人驾驶出租车在迪拜投入使用,2030年无人驾驶将覆盖迪拜25%的交通行程
- jquery easyui datagrid 分页 详解
- Oracle原理:11g的体系结构
- 简单安装ELK分析日志及使用心得
- Intent传递数据时,可以传递哪些类型数据
- 全网最新Spring Boot2.5.1整合Activiti5.22.0企业实战教程<UEL表达式篇>
- matlab feedforward,Matlab BP神经网络工具箱之feedforwardnet使用小结
- Ubuntu 16.04中zabbix显示 :Zabbix server is not running:te information displayed may not be current.
- 【JavaEE】javaee一些问题方案
- 输出希腊字母表java
- Kalman Filter— Priori/Posteriori Error Covariance Matrix
- 大四学生会玩:拍“恐怖”毕业照走红网络,堪比惊悚片
- 2D 游戏工具系列:unity自带Tilemap和地图编辑器Tiled的基本使用以及Super Tiled2Unity如何导入tmx到Unity中(2)
- 制造业大数据分析解决方案,助力生产效率提升
- Oracle数据库中的临时表
- 状态码304的简单介绍
- JavaScript中大括号“{}”作用
- 《恋爱的犀牛》情节和语录
- HTML实现自动刷新
热门文章
- c语言 accept,AcceptEx浅析(转)
- gopacket解析DNS协议
- 【20190423】【笔经、面经集】2019年暑期实习找工作经历,分享给大家,也给自己长个记性~(持续更新)
- LBP算法(人脸识别特征提取)
- 移动应用与开发(Mobile Application Development)
- 2018.10.16【校内模拟】长者(主席树)(字符串哈希)
- 在盛大文学的叛逃追杀令之下,腾讯撑创世中文网撑得有点暧昧
- 嵌入式数据库SQLite与Java
- Python中random模块常用函数/方法(2)——random.random(),random.randint()和random.uniform()
- Jq中prop()和attr()之间的区别