作者:Susan Li
编译:袁雪瑶、吴双、姜范波
根据美国疾病控制预防中心的数据,现在美国1/7的成年人患有糖尿病。但是到2050年,这个比例将会快速增长至高达1/3。我们在UCL机器学习数据库里一个糖尿病数据集,希望可以通过这一数据集,了解如何利用机器学习来帮助我们预测糖尿病,让我们开始吧!
https://github.com/susanli2016/Machine-Learning-with-Python/blob/master/diabetes.csv
数据:
糖尿病数据集可从UCI机器学习库中获取并下载。
import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline diabetes=pd.read_csv('C:\Download\Machine-Learning-with-Python-master\Machine-Learning-with-Python-master\diabetes.csv') print(diabetes.columns)
Index(['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin',
'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome'], dtype='object')
特征(怀孕次数,血糖,血压,皮脂厚度,胰岛素,BMI身体质量指数,糖尿病遗传函数,年龄,结果)
diabetes.head()
print(diabetes.groupby('Outcome').size())
Outcome 0 500 1 268 dtype: int64 “结果”是我们将要预测的特征,0意味着未患糖尿病,1意味着患有糖尿病。在768个数据点中,500个被标记为0,268个标记为1。
print("dimennsion of diabetes data:{}".format(diabetes.shape))
dimennsion of diabetes data:(768, 9),糖尿病数据集由768个数据点组成,各有9个特征。
import seaborn as sns sns.countplot(diabetes['Outcome'],label="Count")
KNN算法:
k-NN算法几乎可以说是机器学习中最简单的算法。建立模型只需存储训练数据集。而为了对新的数据点做出预测,该算法会在训练数据集中找到与其相距最近的数据点——也就是它的“近邻点”。首先,让我们研究一下是否能够确认模型的复杂度和精确度之间的关系:
from sklearn.model_selection import train_test_split x_train,x_test,y_train,y_test=train_test_split(diabetes.loc[:,diabetes.columns !='Outcome'],diabetes['Outcome'],stratify=diabetes['Outcome'],random_state=66) from sklearn.neighbors import KNeighborsClassifier training_accuracy=[] test_accuracy=[] #try n_neighbors from 1 to 10 neighbors_settings=range(1,11) for n_neighbors in neighbors_settings: #build the model knn=KNeighborsClassifier(n_neighbors=n_neighbors) knn.fit(x_train,y_train) #record training set accuracy training_accuracy.append(knn.score(x_train,y_train)) #record test set accuracy test_accuracy.append(knn.score(x_test,y_test)) plt.plot(neighbors_settings,training_accuracy,label="training accuracy") plt.plot(neighbors_settings,test_accuracy,label="test accuracy") plt.ylabel("Accuracy") plt.xlabel("n_neighbors") plt.legend() plt.savefig('knn_compare_model')
上图展示了训练集和测试集在模型预测准确度(y轴)和近邻点个数设置(x轴)之间的关系。如果我们仅选择一个近邻点,那么训练集的预测是绝对正确的。但是当更多的近邻点被选入作为参考时,训练集的准确度会下降,这表明了使用单一近邻会导致模型太过复杂。这里的最好方案可以从图中看出是选择9个近邻点。
图中建议我们应该选择n_neighbors=9,下面给出:
knn=KNeighborsClassifier(n_neighbors=9) knn.fit(x_train,y_train) print('Accuracy of K-NN classifier on training set:{:.2f}'.format(knn.score(x_train,y_train))) print('Accuracy of K-NN classifier on training set:{:.2f}'.format(knn.score(x_test,y_test)))
Accuracy of K-NN classifier on training set:0.79 Accuracy of K-NN classifier on training set:0.78
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:机器学习|我们在UCL找到了一个糖尿病数据集,用机器学习预测糖尿病(一) - Python技术站