ML | Прогнозирование сердечных заболеваний с использованием логистической регрессии.

Опубликовано: 22 Июля, 2021

По оценкам Всемирной организации здравоохранения, четыре из пяти смертей от сердечно-сосудистых заболеваний (ССЗ) вызваны сердечными приступами. Все это исследование направлено на то, чтобы точно определить соотношение пациентов, у которых есть хорошие шансы на поражение сердечно-сосудистыми заболеваниями, а также предсказать общий риск с помощью логистической регрессии.

Что такое логистическая регрессия?
Логистическая регрессия - это статистические методы и методы машинного обучения, классифицирующие записи набора данных на основе значений входных полей. Он прогнозирует зависимую переменную на основе одного или нескольких наборов независимых переменных для прогнозирования результатов. Его можно использовать как для двоичной классификации, так и для мультиклассовой классификации. Чтобы узнать больше об этом, нажмите здесь.

Код: загрузка библиотек.

 import pandas as pd
 import pylab as pl
 import numpy as np
 import scipy.optimize as opt
 import statsmodels.api as sm
 from preprocessing import sklearn
 'exec(% matplotlib inline)'
 import matplotlib.pyplot as plt
 import matplotlib.mlab as mlab
 import seaborn as sn 

Подготовка данных:
Набор данных публично доступен на веб-сайте Kaggle и взят из продолжающегося исследования сердечно-сосудистой системы, проведенного среди жителей города Фрамингем, штат Массачусетс. Цель классификации - предсказать, есть ли у пациента 10-летний риск ишемической болезни сердца (ИБС) в будущем. Набор данных предоставляет информацию о пациентах. Он включает более 4000 записей и 15 атрибутов .

Загрузка набора данных.

 # dataset
 disease_df = pd.read_csv( "../input / framingham.csv" )
 disease_df.drop([ 'education' ], inplace = True , axis = 1 )
 disease_df.rename(columns = { 'male' : 'Sex_male' }, inplace = True )
 
# removing NaN / NULL values
 disease_df.dropna(axis = 0 , inplace = True )
 print (disease_df.head(), disease_df.shape)
 print (disease_df.TenYearCHD.value_counts()) 

Выход :


    Пол_мужской возраст Текущий Курильщик ... сердечный ритм глюкоза Десять лет CHD
0 1 39 0 ... 80,0 77,0 0
1 0 46 0 ... 95,0 76,0 0
2 1 48 1 ... 75,0 70,0 0
3 0 61 1 ... 65,0 103,0 1
4 0 46 1 ... 85,0 85,0 0

[5 рядов x 15 столбцов] (3751, 15)
0 3179
1 572
Имя: TenYearCHD, dtype: int64

Код: Десятилетняя история болезни ИБС для всех пациентов, доступных в наборе данных:

 # counting no. of patients affected with CHD
 plt.figure(figsize = ( 7 , 5 ))
 sn.countplot(x = 'TenYearCHD' , data = disease_df,
             palette = "BuGn_r" )
 plt.show()

Вывод: Графический дисплей:

Код: Подсчет числа пациентов, страдающих ИБС, где (0 = не затронуты; 1 = затронуты):

 laste = disease_df[ 'TenYearCHD' ].plot()
 plt.show(laste)

Вывод: Графический дисплей:

Код: Наборы для обучения и тестирования: Разделение данных | Нормализация набора данных

 X = np.asarray(disease_df[[ 'age' , 'Sex_male' , 'cigsPerDay' ,
                           'totChol' , 'sysBP' , 'glucose' ]])
 y = np.asarray(disease_df[ 'TenYearCHD' ])
 
# normalization of the datset
 X = preprocessing.StandardScaler().fit(X).transform(X)
 
# Train-and-Test -Split
 from sklearn.model_selection import train_test_split
 X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size = 0.3 , random_state = 4 )
 print ( 'Train set:' , X_train.shape, y_train.shape)
 print ( 'Test set:' , X_test.shape, y_test.shape) 

Выход :

Набор поездов:
(2625, 6) (2625,)

Набор тестов: 
(1126, 6) (1126,)

Код: Моделирование набора данных | Оценка и точность:

 from sklearn.linear_model import LogisticRegression
 logreg = LogisticRegression()
 logreg.fit(X_train, y_train)
 y_pred = logreg.predict(X_test)
 
# Evaluation and accuracy
 from sklearn.metrics import jaccard_similarity_score
 print ('')
 print ( 'Accuracy of the model in jaccard similarity score is = ' ,
      jaccard_similarity_score(y_test, y_pred))

Выход :

Точность модели по шкале сходства жаккара = 0,8490230905861457.

Код: Использование матрицы неточностей для определения точности модели:

 # Confusion matrix
 from sklearn.metrics import confusion_matrix, classification_report
 
cm = confusion_matrix(y_test, y_pred)
 conf_matrix = pd.DataFrame(data = cm,
                           columns = [ 'Predicted:0' , 'Predicted:1' ],
                           index = [ 'Actual:0' , 'Actual:1' ])
 plt.figure(figsize = ( 8 , 5 ))
 sn.heatmap(conf_matrix, annot = True , fmt = 'd' , cmap = "Greens" )
 plt.show()
 
print ( 'The details for confusion matrix is =' )
 print (classification_report(y_test, y_pred))
 
# This code is contributed by parna_28 .

Выход :


Детали для матрицы неточностей: =
              точный отзыв поддержка f1-score

           0 0,85 0,99 0,92 951
           1 0,61 0,08 0,14 175

    точность 0,85 1126
   макрос среднем 0,73 0,54 0,53 1126
средневзвешенная 0,82 0,85 0,80 1126

Матрица неточностей:

Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.

Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.

Прогнозирование сердечных заболеваний с использованием ИНС

ML | Прогнозирование осадков с использованием линейной регрессии

Рекомендуемые статьи

Страница :

Прогнозирование сердечных заболеваний с использованием ANN10, 20 мая

Прогнозирование размещения с использованием логистической регрессии13, 21 января

ML | Линейная регрессия против логистической регрессии 05, 20 февраля

Прогнозирование пика COVID-19 с использованием логистической функции 29, 20 июня

ML | Прогноз количества осадков с использованием линейной регрессии12, 19 июня

Идентификация рукописных цифр с помощью логистической регрессии в PyTorch27, 18 марта

ML | Логистическая регрессия с использованием Tensorflow04, 18 декабря

ML | Логистическая регрессия с использованием Python 29, 19 апреля

ML | Диагностика рака молочной железы Kaggle, штат Висконсин, с использованием логистической регрессии04, 19 июня

Логистическая регрессия с использованием Statsmodels 17, 20 июля

Реализация логистической регрессии с нуля с использованием Python 25, 20 октября

Понимание логистической регрессии09, 17 мая

ML | Почему логистическая регрессия в классификации? 03, 19 мая

ML | Функция затрат в логистической регрессии03, 19 мая

ML | Логистическая регрессия против классификации дерева решений23, 19 мая

Логистическая регрессия в программировании на R01, 20 июня

Различия между машиной опорных векторов и логистической регрессией28, 20 июня

Преимущества и недостатки логистической регрессии 25, 20 августа

Нарисуйте сердце, используя графику черепахи на Python30, 20 июня

Предсказание типа вина с использованием глубокого обучения09, 19 апр.

Предсказание слов с использованием понятий N - граммов и CDF17, 19 июня

Link Prediction - прогнозирование ребер в сети с помощью Networkx25, 20 апреля.

Удаление данных прогноза погоды с использованием Python и BS402, 20 июня

Прогнозирование с использованием ColumnTransformer, OneHotEncoder и Pipeline14, 20 июля

Статья предоставлена:

parna_28

@ parna_28

Голосуйте за трудности

Теги статьи:

ML-классификация
Машинное обучение
Python

Теги практики:

Машинное обучение

Сообщить о проблеме

Python Машинное обучение ML-Classification

ML | Прогнозирование сердечных заболеваний с использованием логистической регрессии.

РЕКОМЕНДУЕМЫЕ СТАТЬИ