用kNN算法诊断乳腺癌--基于R语言
文章目录
- 1 目的
- 2 数据来源
- 3 案例演示
- 3.1 数据读取及预处理
- 1. 读取数据并查看数据类型
- 2 .查看数据基本特征
- 3.2 工具函数编写
- 1.标准化函数编写
- 2.工具函数性能测试
- 3.3 原始数据标准化
- 4 模型建立及优化
- 4.1 训练集测试集划分
- 4.2 基于数据训练模型
- 4.3 改进模型,提高模型性能
- 1. 利用Z-分数标准化数据
- 2.测试其他k值
1 目的
利用机器学习根据样本特征自动识别癌细胞,提高检测过程的效率,并尝试改进算法提高模型性能。
2 数据来源
该演示数据来源于: 机器学习和智能系统中心
3 案例演示
3.1 数据读取及预处理
1. 读取数据并查看数据类型
运行代码:
1. data<-read.csv("G:\\wisc_bc_data.csv",stringsAsFactors = FALSE) #读取数据
2. str(data) #查看数据类型
部分结果展示:
'data.frame': 569 obs. of 32 variables:$ id : int 87139402 8910251 905520 868871 9012568 906539 925291 87880 862989 89827 ...$ diagnosis : chr "B" "B" "B" "B" ...$ radius_mean : num 12.3 10.6 11 11.3 15.2 ...$ texture_mean : num 12.4 18.9 16.8 13.4 13.2 ...$ perimeter_mean : num 78.8 69.3 70.9 73 97.7 ...$ area_mean : num 464 346 373 385 712 ...$ smoothness_mean : num 0.1028 0.0969 0.1077 0.1164 0.0796 ...$ compactness_mean : num 0.0698 0.1147 0.078 0.1136 0.0693 ...$ concavity_mean : num 0.0399 0.0639 0.0305 0.0464 0.0339 ...$ points_mean : num 0.037 0.0264 0.0248 0.048 0.0266 ...$ symmetry_mean : num 0.196 0.192 0.171 0.177 0.172 ...$ dimension_mean : num 0.0595 0.0649 0.0634 0.0607 0.0554 ...$ radius_se : num 0.236 0.451 0.197 0.338 0.178 ...$ texture_se : num 0.666 1.197 1.387 1.343 0.412 ...$ perimeter_se : num 1.67 3.43 1.34 1.85 1.34 ...$ area_se : num 17.4 27.1 13.5 26.3 17.7 ...$ smoothness_se : num 0.00805 0.00747 0.00516 0.01127 0.00501 ...$ compactness_se : num 0.0118 0.03581 0.00936 0.03498 0.01485 ...$ concavity_se : num 0.0168 0.0335 0.0106 0.0219 0.0155 ...$ points_se : num 0.01241 0.01365 0.00748 0.01965 0.00915 ...$ symmetry_se : num 0.0192 0.035 0.0172 0.0158 0.0165 ...$ dimension_se : num 0.00225 0.00332 0.0022 0.00344 0.00177 ...$ radius_worst : num 13.5 11.9 12.4 11.9 16.2 ...$ texture_worst : num 15.6 22.9 26.4 15.8 15.7 ...$ perimeter_worst : num 87 78.3 79.9 76.5 104.5 ...$ area_worst : num 549 425 471 434 819 ...$ smoothness_worst : num 0.139 0.121 0.137 0.137 0.113 ...$ compactness_worst: num 0.127 0.252 0.148 0.182 0.174 ...$ concavity_worst : num 0.1242 0.1916 0.1067 0.0867 0.1362 ...$ points_worst : num 0.0939 0.0793 0.0743 0.0861 0.0818 ...$ symmetry_worst : num 0.283 0.294 0.3 0.21 0.249 ...$ dimension_worst : num 0.0677 0.0759 0.0788 0.0678 0.0677 ...
通过运行结果我们可以较为明晰地观察到各列数据数据类型,为数据处理需要,利用stringsAsFactors= FALSE防止字符串string的列被辨认成factor。
2 .查看数据基本特征
1)良性、恶性肿块数字特征
运行代码:
1. data1<-data[-1] #剔除id特征数据
2. table(data1$diagnosis) #输出良性、恶性肿块数量特征
结果展示:
B M
357 212
由运行结果我们可以观察到,案例中良性、恶性肿块数量分别为357,212。
2)良性、恶性肿块数量占比
1. summary(data1[c("radius_mean","area_mean","smoothness_mean")]) #输出部分案例特征信息
结果展示:
radius_mean area_mean smoothness_mean Min. : 6.981 Min. : 143.5 Min. :0.05263 1st Qu.:11.700 1st Qu.: 420.3 1st Qu.:0.08637 Median :13.370 Median : 551.1 Median :0.09587 Mean :14.127 Mean : 654.9 Mean :0.09636 3rd Qu.:15.780 3rd Qu.: 782.7 3rd Qu.:0.10530 Max. :28.110 Max. :2501.0 Max. :0.16340
通过运行结果显示。我们可以发现案例样本半径、面积、光滑度的样本特征分布情况,其中样本面积范围为143.5-2501.0;样本光滑度范围为0.05-0.16。
3.2 工具函数编写
1.标准化函数编写
运行代码:
1. normalize<-function(x){
2. return((x-min(x))/(max(x)-min(x)))
3. } #创建极大极小标准化函数
4. normalize(c(1,2,3,4,5)) #测试函数效果
2.工具函数性能测试
运行代码:
> normalize(c(1,2,3,4,5)) #测试函数效果
结果展示:
[1] 0.00 0.25 0.50 0.75 1.00
通过函数测试效果,可以看出,标准化函数编写成功。
3.3 原始数据标准化
运行代码:
1. data2<-as.data.frame(lapply(data1[2:31],normalize)) #标准化数据,并转化为数据框格式
2. summary(data2$area_mean) #输出area_mean特征
结果展示:
Min. 1st Qu. Median Mean 3rd Qu. Max. 0.0000 0.1174 0.1729 0.2169 0.2711 1.0000
4 模型建立及优化
4.1 训练集测试集划分
由于样本数据本身为随机化数据,故以前469个样本作为训练集,后100个样本作为测试集,并将这些类的标签分别存储在相应因子向量中。
运行代码:
1. data2_train<-data2[1:469,] #创建训练集
2. data2_test<-data2[470:569,] #创建测试集
3. data2_train_lables<-data1[1:469,1] #存储因子向量型训练集类标签
4. data2_test_lables<-data1[470:569,1] #存储因子向量型测试集类标签
4.2 基于数据训练模型
运行代码:
1. library("class") #加载包
2. data2_test_pred<-knn(train = data2_train,test = data2_test,cl<-data2_train_lables,k=21) #将k值设置为21
3. library("gmodels") #加载包
4. CrossTable(x=data2_test_lables,y=data2_test_pred,prop.chisq = F)
结果展示:
data2_test_pred | |||
data2_test_lables | Benigen | Malignant | Row Total |
Benigen | 61 | 0 | 61 |
1.000 | 0 | 0.610 | |
0.968 | 0.000 | ||
0.610 | 0.000 | ||
Malignant | 2 | 37 | 39 |
0.051 | 0.949 | 0.390 | |
0.032 | 1.000 | ||
0.020 | 0.370 | ||
Column Total | 63 | 37 | 100 |
0.630 | 0.370 |
由运行结果显示:模型判断准确率达(37+61)/100=98%,其中共存在37个真阳性、2个假阴性案例。
4.3 改进模型,提高模型性能
1. 利用Z-分数标准化数据
运行代码:
1. data4<-as.data.frame(scale(data1[-1]))
2. summary(data4$area_mean)
3. data4_train<-data4[1:469,]
4. data4_test<-data4[470:569,]
5. data4_train_lables<-data1[1:469,1]
6. data4_test_lables<-data1[470:569,1]
7. data4_test_pred<-knn(train = data4_train,test = data4_test,cl<-data4_train_lables,k=21)
8. CrossTable(x=data4_test_lables,y=data4_test_pred,prop.chisq = F)
结果展示:
data4_test_pred | |||
data4_test_lables | Benigen | Malignant | Row Total |
Benigen | 61 | 0 | 61 |
1.000 | 0 | 0.610 | |
0.968 | 0.000 | ||
0.610 | 0.000 | ||
Malignant | 5 | 34 | 39 |
0.128 | 0.872 | 0.390 | |
0.076 | 1.000 | ||
0.050 | 0.340 | ||
Column Total | 66 | 34 | 100 |
0.660 | 0.340 |
由运行结果显示:模型判断准确率达(61+34)/100=95%,其中共存在34个真阳性、5个假阴性案例,相比于极大极小标准化法,模型效能相对较低。
2.测试其他k值
运行代码:
1. data5_test_pred<-knn(train = data2_train,test = data2_test,cl<-data2_train_lables,k=1)
2. CrossTable(x=data2_test_lables,y=data5_test_pred,prop.chisq = F) #测试性能
3. data6_test_pred<-knn(train = data2_train,test = data2_test,cl<-data2_train_lables,k=5)
4. CrossTable(x=data2_test_lables,y=data6_test_pred,prop.chisq = F) #测试性能
5. data7_test_pred<-knn(train = data2_train,test = data2_test,cl<-data2_train_lables,k=11)
6. CrossTable(x=data2_test_lables,y=data7_test_pred,prop.chisq = F) #测试性能
7. data8_test_pred<-knn(train = data2_train,test = data2_test,cl<-data2_train_lables,k=15)
8. CrossTable(x=data2_test_lables,y=data8_test_pred,prop.chisq = F) #测试性能
9. data9_test_pred<-knn(train = data2_train,test = data2_test,cl<-data2_train_lables,k=21)
10. CrossTable(x=data2_test_lables,y=data9_test_pred,prop.chisq = F) #测试性能
11. data10_test_pred<-knn(train = data2_train,test = data2_test,cl<-data2_train_lables,k=27)
12. CrossTable(x=data2_test_lables,y=data10_test_pred,prop.chisq = F) #测试性能
结果展示:
K值 | 假阴性 | 假阳性 | 错误分类的百分比(%) |
---|---|---|---|
1 | 1 | 3 | 4 |
5 | 2 | 0 | 2 |
11 | 3 | 0 | 3 |
15 | 3 | 0 | 3 |
21 | 2 | 0 | 2 |
27 | 4 | 0 | 4 |
由运行结果显示,K分别取1、5、11、15、21、27,当k,取21时,模型测试得出的准确率最高,达到了98%。
用kNN算法诊断乳腺癌--基于R语言相关推荐
- 广义相加模型(GAM)与向前逐步选择算法(基于R语言)
广义相加模型(GAM)与向前逐步选择算法(基于R语言) 一.题目 (a)使用College数据集,以Outstate作为响应变量,其余作为预测变量,使用逐步回归得到一组合适的预测变量的子集. (b)将 ...
- 基于R语言混合效应模型(mixed model)案例研究
全文链接: http://tecdat.cn/?p=2596 在本文中,我们描述了灵活的竞争风险回归模型.回归模型被指定为转移概率,也就是竞争性风险设置中的累积发生率(点击文末"阅读原文&q ...
- 基于R语言的聚类分析(k-means,层次聚类)
今天给大家展示基于R语言的聚类,在此之前呢,首先谈谈聚类分析,以及常见的聚类模型,说起聚类我们都知道,就是按照一定的相似性度量方式,把接近的一些个体聚在一起.这里主要是相似性度量,不同的数据类型,我们 ...
- 基于R语言的Meta分析【全流程、不确定性分析】方法与Meta机器学习技术应用
Meta分析是针对某一科研问题,根据明确的搜索策略.选择筛选文献标准.采用严格的评价方法,对来源不同的研究成果进行收集.合并及定量统计分析的方法,最早出现于"循证医学",现已广泛应 ...
- r语言pls分析_基于R语言的PLS算法的实现解读.pptx
基于R语言的PLS算法的实现及研究 目录 使用的开发工具 偏最小二乘的设计思想 基于R语言.MATLAB的偏最小二乘的实现 通径分析 测定系数 实验分析 使用的开发工具 R 语言(R是用于统计分析.绘 ...
- 基于R语言的多元线性回归--我国经济增长的定量研究
基于R语言的多元线性回归--我国经济增长的定量研究 一.实验介绍 1.1 实验内容 经济增长一直以来都是我国宏观经济政策的目标之一,研究影响经济增长的因素对促进我国经济快速发展有着重要意义.本实验运用 ...
- python对电影进行预测评分_基于R语言构建的电影评分预测模型
原标题:基于R语言构建的电影评分预测模型 欢迎关注天善智能 hellobi.com,我们是专注于商业智能BI,大数据,数据分析领域的垂直社区,学习.问答.求职,一站式搞定! 对商业智能BI.大数据分析 ...
- Protein Cell:基于R语言的微生物组数据挖掘最佳流程(大众评审截止14号晚6点)...
Protein & Cell综述:基于R语言的微生物组数据挖掘的最佳流程 近日,中国农业科学院刘永鑫组联合南京农业大学袁军组在国际期刊 Protein & Cell (IF = 15. ...
- canoco5主成分分析步骤_基于R语言的主成分分析
基于R语言的主成分分析 加入的SPSS群里有人问,怎么用SPSS进行主成分分析.确实没有注意到这种操作.很好奇,于是翻了翻孙振球的<医学统计学>,发现主成分分析这一块,竟使用了SAS!后来 ...
最新文章
- mysql 硬解析 软解析_ORACLE sql语句的硬解析与软解析(收藏)
- iOS核心动画高级技术(十二) 性能调优
- 小学五年级计算机进度安排,五年级下册信息技术年度教学计划
- jquery为图片添加事件
- jQuery学习笔记之extend方法小结
- Loadrunner在post请求的cookie中插入其它多个值
- HashMap 怎么 hash?又如何 map?
- exxi6.7如何传文件到win7_比QQ直传快100倍!它让PC、安卓、iPhone光速互传文件
- 使用Lock and Load X 插件时导致Final Cat Pro意外退出的解决办法
- Dubbo管理端安装
- 传递function_Excel VBA解读(132): 调用Function过程的4种方式
- 微信小程序为什么会成为了实体店“上线”的最优选择?
- 基于PHPCMS的SQL注入(Havij)
- 【鱼眼镜头1】鱼眼镜头的四种投影模型(指导镜头的设计),中央镜头综述
- 为什么使用多态?实现多态的有哪些方式?
- sophix热修复技术了解
- 重装win10专业版系统
- 我们为什么来到这个世界上?--黄金雄(杰西)
- 音频格式简介和PCM转换成WAV
- 设计功底如何得到提升 高效排版的技巧有哪些