如何创建中风预测模型?
介绍中风是一种可导致人死亡的一种严重的疾病,如果及时治疗,可以挽救一个人的生命并善待他们。可能有 n 种因素会导致中风,在本文,将尝试分析其中的一些。从Kaggle获取了数据集。它有 11...
介绍
中风是一种可导致人死亡的一种严重的疾病,如果及时治疗,可以挽救一个人的生命并善待他们。可能有 n 种因素会导致中风,在本文,将尝试分析其中的一些。
从Kaggle获取了数据集。它有 11 个变量和 5110 个观测值。
https://www.kaggle.com/fedesoriano/stroke-prediction-dataset
导入库
为了完成任何任务,需要工具,而在 python 中有很多工具。
让我们从导入所需的库开始。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import LabelEncoder
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score,classification_report,precision_score,recall_score
from imblearn.over_sampling import SMOTE
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from xgboost import XGBClassifier
读取CSV
读取包含我们数据的 CSV 文件。在此 CSV 的帮助下,我们将尝试了解该模式并创建我们的预测模型。
data=pd.read_csv('healthcare-dataset-stroke-data.csv')
data.head(10)
## Displaying top 10 rows
data.info()
## Showing information about datase
data.describe()
## Showing data's statistical features
头:
信息:
RangeIndex: 5110 entries, 0 to 5109
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 id 5110 non-null int64
1 gender 5110 non-null object
2 age 5110 non-null float64
3 hypertension 5110 non-null int64
4 heart_disease 5110 non-null int64
5 ever_married 5110 non-null object
6 work_type 5110 non-null object
7 Residence_type 5110 non-null object
8 avg_glucose_level 5110 non-null float64
9 bmi 4909 non-null float64
10 smoking_status 5110 non-null object
11 stroke 5110 non-null int64
dtypes: float64(3), int64(4), object(5)
描述:
EDA
ID
ID 只不过是分配给每个患者的唯一编号,用于跟踪他们,使他们独一无二。不需要ID,它是完全无用的,所以让我们删除它。
data.drop("id",inplace=True,axis=1)
性别
此属性说明患者的性别。让我们看看性别如何影响中风率和性别对比。
print('Unique values\n',data['gender'].unique())
print('Value Counts\n',data['gender'].value_counts())
# Above codes will help to give us information about it's unique values and count of each value.
sns.countplot(data=data,x='gender')
# Helps to plot a count plot which will help us to see count of values in each unique category.
sns.countplot(data=data,x='gender',hue='stroke')
# This plot will help to analyze how gender will affect chances of stroke.
Unique values
['Male' 'Female' 'Other']
Value Counts
Female 2994
Male 2115
Other 1
性别图:
中风性别:
观察:
似乎数据集不平衡。无论如何,不同性别之间的中风率没有太大的区别
年龄
在这里,年龄不是一个数字,它是重要的因素之一,或者我们可以说它是一个非常关键的因素。让我们分析一下我们的数据,看看它的实际影响有多大。
data['age'].nunique()
# Returns number of unique values in this attribute
sns.displot(data['age'])
# This will plot a distribution plot of variable age
plt.figure(figsize=(15,7))
sns.boxplot(data=data,x='stroke',y='age')
# Above code will plot a boxplot of variable age with respect of target attribute stroke
唯一值的数量:
104
分布图:
年龄和中风:
观察:
60岁以上的人容易患中风。一些异常值可以被视为 20 岁以下的人中风,这可能是有效数据,因为中风还取决于我们的饮食和生活习惯。
另一项观察结果是没有中风的人也包括年龄 > 60 岁的人。
高血压
高血压可能导致中风。让我们看看它是怎么回事。
data['age'].nunique()
# Returns number of unique values in this attribute
sns.displot(data['age'])
# This will plot a distribution plot of variable age
plt.figure(figsize=(15,7))
sns.boxplot(data=data,x='stroke',y='age')
# Above code will plot a boxplot of variable age with respect of target attribute stroke
唯一值和值计数:
Value Count [0 1]
Value Counts
0 4612
1 498
计数图:
高血压和中风:
观察:
高血压在年轻人中很少见,在老年人中很常见。高血压会导致中风。
根据我们的数据,高血压的情况不是很清楚。关于高血压患者的数据相当少。
心脏病
如果不采取适当的护理,患有心脏病的人患中风的风险往往更高。
print('Unique Value\n',data['heart_disease'].unique())
print('Value Counts\n',data['heart_disease'].value_counts())
# Above code will return unique value for heart disease attribute and its value counts
sns.countplot(data=data,x='heart_disease')
# Will plot a counter plot of variable heart diseases
唯一值和计数:
Unique Value
[1 0]
Value Counts
0 4834
1 276
计数图:
心脏病伴中风:
观察:
由于数据集不平衡,所以有点难以理解。但根据这个图,我们可以说心脏病不会影响中风。
结过婚
该属性将告诉我们患者是否结过婚。让我们看看它会如何影响中风。
print('Unique Values\n',data['ever_married'].unique())
print('Value Counts\n',data['ever_married'].value_counts())
# Above code will show us number unique values of attribute and its count
sns.countplot(data=data,x='ever_married')
# Counter plot of ever married attribute
sns.countplot(data=data,x='ever_married',hue='stroke')
# Ever married with respect of stroke
唯一值和计数:
Unique Values
['Yes' 'No']
Value Counts
Yes 3353
No 1757
计数图:
曾与中风结婚:
观察:
已婚人士的中风率更高。
工作类型
此属性包含有关患者从事何种工作的数据。不同类型的工作有不同类型的问题和挑战,这可能是兴奋、刺激、压力等的可能原因。
压力从来都不利于健康,让我们看看这个变量如何影响中风的几率。
print('Unique Value\n',data['work_type'].unique())
print('Value Counts\n',data['work_type'].value_counts())
# Above code will return unique values of attributes and its count
sns.countplot(data=data,x='work_type')
# Above code will create a count plot
sns.countplot(data=data,x='work_type',hue='stroke')
# Above code will create a count plot with respect to stroke
唯一值和计数:
Unique Value
['Private' 'Self-employed' 'Govt_job' 'children' 'Never_worked']
Value Counts
Private 2925
Self-employed 819
children 687
Govt_job 657
Never_worked 22
计数图:
工作类型和行程:
观察:
在私营部门工作的人患中风的风险更高。从未工作过的人中风率非常低。
居住类型
该属性告诉我们患者的住所是城市或农村。
print('Unique Values\n',data['Residence_type'].unique())
print("Value Counts\n",data['Residence_type'].value_counts())
# Above code will return unique values of variable and its count
sns.countplot(data=data,x='Residence_type')
# This will create a counter plot
sns.countplot(data=data,x='Residence_type',hue='stroke')
# Residence Type with respect to stroke
唯一值和计数:
Unique Values
['Urban' 'Rural']
Value Counts
Urban 2596
Rural 2514
计数图:
居住类型和行程:
观察:
这个属性没有用。正如我们所看到的,这两个属性值没有太大区别。也许我们必须丢弃它。
平均血糖水平
讲述患者体内的平均血糖水平。让我们看看这是否会影响中风的机会
data['avg_glucose_level'].nunique()
# Number of unique values
sns.displot(data['avg_glucose_level'])
# Distribution of avg_glucose_level
sns.boxplot(data=data,x='stroke',y='avg_glucose_level')
# Avg_glucose_level and Stroke
唯一值和计数:
3979
分布图:
葡萄糖和中风:
观察:
从上图中,我们可以看到中风患者的平均血糖水平超过 100。
在没有中风的病人中有一些明显的异常值但也有一些可能是真实的记录。
体重指数
身体质量指数是一种基于身高和体重的身体脂肪量度,适用于成年男性和女性。让我们看看它如何影响中风的机会。
data['bmi'].isna().sum()
# Returns number null values
data['bmi'].fillna(data['bmi'].mean(),inplace=True)
# Filling null values with average value
data['bmi'].nunique()
# Returns number of unique values in that attribute
sns.displot(data['bmi'])
# Distribution of bmi
sns.boxplot(data=data,x='stroke',y='bmi')
# BMI with respect to Stroke
空值:
201
唯一值和计数:
419
分布图:
BMI 和中风:
观察:
因此,没有关于 BMI 如何影响中风几率的突出观察。
吸烟状况
这些属性告诉我们患者是否吸烟。吸烟有害健康,并可能导致心脏病。让我们看看在我们的数据的情况下结果如何。
print('Unique Values\n',data['smoking_status'].unique())
print('Value Counts\n',data['smoking_status'].value_counts())
# Returns unique values and its count
sns.countplot(data=data,x='smoking_status')
# Count plot of smoking status
sns.countplot(data=data,x='smoking_status',hue='stroke')
# Smoking Status with respect to Stroke
唯一值和计数:
Unique Values
['formerly smoked' 'never smoked' 'smokes' 'Unknown']
Value Counts
never smoked 1892
Unknown 1544
formerly smoked 885
smokes 789
计数图:
吸烟和中风:
观察:
根据这些图,我们可以看到,无论吸烟状况如何,中风的几率都没有太大差异。
中风
我们的目标变量。它告诉我们患者是否有中风的机会。
print('Unique Value\n',data['stroke'].unique())
print('Value Counts\n',data['stroke'].value_counts())
# Returns Unique Value and its count
sns.countplot(data=data,x='stroke')
# Count Plot of Stroke
唯一值和计数:
Unique Value
[1 0]
Value Counts
0 4861
1 249
计数图:
特征工程
标签编码
我们的数据集是分类数据和数值数据的混合体,由于 ML 算法理解数值性质的数据,让我们使用标签编码器将分类数据编码为数值数据。
标签编码器是一种将分类数据转换为数字数据的技术。它按升序取值并将其转换为从 0 到 n-1 的数字数据。
cols=data.select_dtypes(include=['object']).columns
print(cols)
# This code will fetech columns whose data type is object.
le=LabelEncoder()
# Initializing our Label Encoder object
data[cols]=data[cols].apply(le.fit_transform)
# Transfering categorical data into numeric
print(data.head(10))
列:
Index(['gender', 'ever_married', 'work_type', 'Residence_type',
'smoking_status']
相关性
plt.figure(figsize=(15,10))
sns.heatmap(data.corr(),annot=True,fmt='.2')
观察:
显示出一些有效相关性的变量是:
年龄、高血压、心脏病、已婚、平均血糖水平。
为了安全起见,让我们使用 SelectKBest 和 F_Classif 检查我们的特征。
classifier = SelectKBest(score_func=f_classif,k=5)
fits = classifier.fit(data.drop('stroke',axis=1),data['stroke'])
x=pd.DataFrame(fits.scores_)
columns = pd.DataFrame(data.drop('stroke',axis=1).columns)
fscores = pd.concat([columns,x],axis=1)
fscores.columns = ['Attribute','Score']
fscores.sort_values(by='Score',ascending=False)
在上面的结果中,我们可以看到年龄是一个高度相关的变量,然后它会下降。我将阈值分数保持为 50。导致我们在热图中获得相同的特征。
cols=fscores[fscores['Score']>50]['Attribute']
print(cols)
1 age
2 hypertension
3 heart_disease
4 ever_married
7 avg_glucose_level
拆分数据
现在,让我们将特征分成训练和测试集,以训练和测试我们的分类模型。
train_x,test_x,train_y,test_y=train_test_split(data[cols],data['stroke'],random_state=1255,test_size=0.25)
#Splitting data
train_x.shape,test_x.shape,train_y.shape,test_y.shape
# Shape of data
Result:
((3832, 5), (1278, 5), (3832,), (1278,))
平衡数据集
众所周知,我们的数据集是不平衡的。所以让我们平衡我们的数据。我们将为此使用 SMOTE 方法。它将用类似于次要类的记录填充我们的数据。
通常,我们在整个数据集上执行此操作,但由于次要类别的记录非常少,因此我将其应用于训练和测试数据。早些时候,我尝试通过仅对训练数据集的数据进行重新采样来实现,但效果不佳,因此我尝试了这种方法并获得了不错的结果。
smote=SMOTE()
train_x,train_y=smote.fit_resample(train_x,train_y)
test_x,test_y=smote.fit_resample(test_x,test_y)
数据的形状:
print(train_x.shape,train_y.shape,test_x.shape,test_y.shape)
((7296, 5), (7296,), (2426, 5), (2426,))
模型创建
让我们从创建模型开始。创建了几个模型,即*逻辑回归、随机森林分类器、SVC 和 XGBClassifier。*其中 XGBClassifier 模型的表现非常出色。所以在这个博客中,我只是要添加 XGBClassifier 但你可以在这里检查其他模型的性能。
XGB分类器
xgc=XGBClassifier(objective='binary:logistic',n_estimators=100000,max_depth=5,learning_rate=0.001,n_jobs=-1)
xgc.fit(train_x,train_y)
predict=xgc.predict(test_x)
print('Accuracy --> ',accuracy_score(predict,test_y))
print('F1 Score --> ',f1_score(predict,test_y))
print('Classification Report --> \n',classification_report(predict,test_y))
在平衡数据集中,我们依赖准确性,但这里我们有一个不平衡数据集,我将使用 f1 分数。对于一个好的分类器来说,拥有好的准确率和召回率分数会很棒。
在所有模型中,XGBClassifier 取得了不错的成绩。所以作为模型,我选择 XGBClassifier。
结束语
所以在这个小项目中,我们看到了一些可能导致中风的因素。其中年龄 高度相关,其次是高血压、心脏病、平均血糖水平和是否结婚。
XGBClassifier表现出色。某些变量存在异常值,我保留它的原因是因为这些东西要么取决于其他因素,要么可能有这种记录。例如,由于一个人年轻或没有任何心脏病,BMI 可能很高,但仍然没有中风。
☆ END ☆
如果看到这里,说明你喜欢这篇文章,请转发、点赞。微信搜索「uncle_pn」,欢迎添加小编微信「 mthler」,每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓
更多推荐
所有评论(0)