Datawhale干货

作者：牧小熊，Datawhale成员

上周在Datawhale分享了一篇关于数据挖掘赛事的baseline方案，有老师把它作为学习资料给学生实践学习后，有挺多同学反应学习实践中仍然有困难：

同学A：baseline有些代码看不懂

同学B：刚刚开始学，想入门学习，不知道从哪个地方下手，然后理论也不是很扎实，不知道先学理论还是先下手；看到了方案，不知道运用哪些知识，还是挺糊涂的；

同学C：面向初学者入门需要细致全面一点，比如包括文件读入、特征处理、输入输出数据结构的定义、初步得到结果、是否有值得优化的地方……等等

所以我重新写了一篇，面向参赛实践中的初学者：提供了赛事实践的完整流程、完整的代码注释、以及参考学习资料。

赛题介绍

科大讯飞：糖尿病遗传风险检测挑战赛。截至2022年，中国糖尿病患者近1.3亿。中国糖尿病患病原因受生活方式、老龄化、城市化、家族遗传等多种因素影响。同时，糖尿病患者趋向年轻化。

糖尿病可导致心血管、肾脏、脑血管并发症的发生。因此，准确诊断出患有糖尿病个体具有非常重要的临床意义。糖尿病早期遗传风险预测将有助于预防糖尿病的发生。

赛事实践地址：

https://challenge.xfyun.cn/topic/info?type=diabetes&ch=ds22-dw-gzh02

赛题任务

在这次比赛中，您需要通过训练数据集构建糖尿病遗传风险预测模型，然后预测出测试数据集中个体是否患有糖尿病，和我们一起帮助糖尿病患者解决这“甜蜜的烦恼”。

赛题数据

赛题数据由训练集和测试集组成，具体情况如下：

• 训练集：共有5070条数据，用于构建您的预测模型

• 测试集：共有1000条数据，用于验证预测模型的性能。

其中训练集数据包含有9个字段：性别、出生年份、体重指数、糖尿病家族史、舒张压、口服耐糖量测试、胰岛素释放实验、肱三头肌皮褶厚度、患有糖尿病标识（数据标签）。

评分标准

采用二分类任务中的F1-score指标进行评价，F1-score越大说明预测模型性能越好，F1-score的定义如下：

其中：

Tips: 根据题意，糖尿病遗传风险检测挑战赛中会提供2个数据集，分别是训练数据集和测试数据集，其中训练数据集有特征数据和数据标签（患者是否得糖尿病），测试数据集只有特征数据，我们需要根据糖尿病遗传风险预测模型，比赛方通过测试数据集来评估模型的预测准确性，模型预测的准确性越高越好。

Ref：

• 知乎：二分类问题常见的评价指标

  https://zhuanlan.zhihu.com/p/55324860

赛题Baseline

Tips:  在本次比赛中，我们将提供python代码用于比赛数据的分析与模型构建，如果你还不熟悉赛题中的相关代码与原理，可以参考相关学习资料或在Datawhale交流群中来解决你遇到的问题。

• 步骤1：报名比赛：

  https://challenge.xfyun.cn/topic/info?type=diabetes&ch=ds22-dw-gzh02

• 步骤2：下载比赛数据（点击比赛页面的赛题数据）

• 步骤3：解压比赛数据，并使用pandas进行读取

导入第三方库

Tips: 在本baseline中，我们通过pandas对数据进行处理，通过lightgbm算法来构建糖尿病遗传风险预测模型

Ref:

• pandas用法-全网最详细教程

  https://blog.csdn.net/yiyele/article/details/80605909

• Joyful-Pandas开源教程

• 我的Pandas学习经历及动手实践

• 深入理解LightGBM

import pandas as pd
import lightgbm

数据预处理

Tips: 在本环节中，我们通常需要检测数据的质量，包括重复值、异常值、缺失值、数据分布和数据特征等，通过训练数据的预处理，我们能得到更高质量的训练数据，这有助于构建更加准确的预测模型。

在本baseline中，我们发现舒张压特征中存在缺失值，我们采用了填充缺失值的方法进行处理，当然也有其他的处理方法，如果感兴趣可以尝试。

Ref:

• 机器学习（三）：数据预处理--数据预处理的基本方法

  https://zhuanlan.zhihu.com/p/100442371

data1=pd.read_csv('比赛训练集.csv',encoding='gbk')
data2=pd.read_csv('比赛测试集.csv',encoding='gbk')
#label标记为-1
data2['患有糖尿病标识']=-1
#训练集和测试机合并
data=pd.concat([data1,data2],axis=0,ignore_index=True)
#将舒张压特征中的缺失值填充为-1
data['舒张压']=data['舒张压'].fillna(-1)

特征工程

Tips：在本环节中，我们需要对数据进行特征的构造，目的是最大限度地从原始数据中提取特征以供算法和模型使用，这有助于构建更加准确的预测模型。

Ref:

• 用机器学习神器sklearn做特征工程！

• 特征工程在实际业务中的应用！

#特征工程
"""
将出生年份换算成年龄
"""
data['出生年份']=2022-data['出生年份']  #换成年龄"""
人体的成人体重指数正常值是在18.5-24之间
低于18.5是体重指数过轻
在24-27之间是体重超重
27以上考虑是肥胖
高于32了就是非常的肥胖。
"""
def BMI(a):if a<18.5:return 0elif 18.5<=a<=24:return 1elif 24<a<=27:return 2elif 27<a<=32:return 3else:return 4data['BMI']=data['体重指数'].apply(BMI)#糖尿病家族史
"""
无记录
叔叔或者姑姑有一方患有糖尿病/叔叔或姑姑有一方患有糖尿病
父母有一方患有糖尿病
"""
def FHOD(a):if a=='无记录':return 0elif a=='叔叔或者姑姑有一方患有糖尿病' or a=='叔叔或姑姑有一方患有糖尿病':return 1else:return 2data['糖尿病家族史']=data['糖尿病家族史'].apply(FHOD)
"""
舒张压范围为60-90
"""
def DBP(a):if a<60:return 0elif 60<=a<=90:return 1elif a>90:return 2else:return a
data['DBP']=data['舒张压'].apply(DBP)#------------------------------------
#将处理好的特征工程分为训练集和测试集，其中训练集是用来训练模型，测试集用来评估模型准确度
#其中编号和患者是否得糖尿病没有任何联系，属于无关特征予以删除
train=data[data['患有糖尿病标识'] !=-1]
test=data[data['患有糖尿病标识'] ==-1]
train_label=train['患有糖尿病标识']
train=train.drop(['编号','患有糖尿病标识'],axis=1)
test=test.drop(['编号','患有糖尿病标识'],axis=1)

构建模型

Tips：在本环节中，我们需要对训练集进行训练从而构建相应的模型，在本baseline中我们使用了Lightgbm算法进行数据训练，当然你也可以使用其他的机器学习算法/深度学习算法，甚至你可以将不同算法预测的结果进行综合，反正最后的目的是获得更高的预测准确度，向着这个目标出发~

在本节中，我们将训练数据使用5折交叉验证训练的方法进行训练，这是一个不错的提升模型预测准确度的方法

Ref:

• https://github.com/datawhalechina/competition-baseline

• https://github.com/datawhalechina/team-learning-data-mining

• CSDN：Kaggle上分技巧——单模K折交叉验证训练+多模型融合

• https://blog.csdn.net/fengjiandaxia/article/details/123096182

#使用Lightgbm方法训练数据集，使用5折交叉验证的方法获得5个测试集预测结果
def select_by_lgb(train_data,train_label,test_data,random_state=2022,n_splits=5,metric='auc',num_round=10000,early_stopping_rounds=100):kfold = KFold(n_splits=n_splits, shuffle=True, random_state=random_state)fold=0result=[]for train_idx, val_idx in kfold.split(train_data):random_state+=1train_x = train_data.loc[train_idx]train_y = train_label.loc[train_idx]test_x = train_data.loc[val_idx]test_y = train_label.loc[val_idx]clf=lightgbmtrain_matrix=clf.Dataset(train_x,label=train_y)test_matrix=clf.Dataset(test_x,label=test_y)params={'boosting_type': 'gbdt',  'objective': 'binary','learning_rate': 0.1,'metric': metric,'seed': 2020,'nthread':-1 }model=clf.train(params,train_matrix,num_round,valid_sets=test_matrix,early_stopping_rounds=early_stopping_rounds)pre_y=model.predict(test_data)result.append(pre_y)fold+=1return resulttest_data=select_by_lgb(train,train_label,test)
#test_data就是5折交叉验证中5次预测的结果
pre_y=pd.DataFrame(test_data).T
#将5次预测的结果求取平均值，当然也可以使用其他的方法
pre_y['averge']=pre_y[[i for i in range(5)]].mean(axis=1)
#因为竞赛需要你提交最后的预测判断，而模型给出的预测结果是概率，因此我们认为概率>0.5的即该患者有糖尿病，概率<=0.5的没有糖尿病
pre_y['label']=pre_y['averge'].apply(lambda x:1 if x>0.5 else 0)
pre_y

结果提交

Tips：在本环节中，我们需要将最后的预测结果提交到数据竞赛平台中，需要注意的是我们要严格按照竞赛平台的文件格式提交要求。

result=pd.read_csv('提交示例.csv')
result['label']=pre_y['label']
result.to_csv('result.csv',index=False)

其中result.csv就是需要提交到平台的文件，进入到数据竞赛平台，点击提交结果，选择result.csv文件即可完成结果提交

后续

经过简单的学习，我们完成了糖尿病遗传风险检测挑战赛的baseline任务，接下来应该怎么做呢？主要是以下几个方面：

• 继续尝试不同的预测模型或特征工程来提升模型预测的准确度

• 加入Datawhale比赛交流群，获取其他更加有效的上分信息

• 查阅糖尿病遗传风险预测相关资料，获取其他模型构建方法

• ...

总之，就是在baseline的基础上不断的改造与尝试，通过不断的实践来提升自己的数据挖掘能力，正所谓【纸上得来终觉浅，绝知此事要躬行】，也许你熟练掌握机器学习的相关算法，能熟练推导各种公式，但如何将学习到的方法应用到实践工程中，需要我们不断的尝试与改进，没有一个模型是一步所得，向最后的冠军冲击~

Ref：

• 下一站，向冠军冲击！

• 鱼佬：从数据竞赛到工作！

• 机器学习神器Scikit-Learn保姆教程

• 我的机器学习之路

• 《Datawhale人工智能培养方案》

关注Datawhale公众号，回复“数据挖掘”或“CV”或“NLP”可邀请进相关赛事交流群，已在的不用再加入。

整理不易，点赞三连↓