產(chǎn)品地址：https://data.aliyun.com/product/learn?spm=a21gt.99266.416540.102.OwEfx2

一、背景

心臟病是人類健康的頭號(hào)殺手。全世界1／3的人口死亡是因心臟病引起的，而我國(guó)，每年有幾十萬(wàn)人死于心臟病。 所以，如果可以通過提取人體相關(guān)的體側(cè)指標(biāo)，通過數(shù)據(jù)挖掘的方式來分析不同特征對(duì)于心臟病的影響，對(duì)于預(yù)測(cè)和預(yù)防心臟病將起到至關(guān)重要的作用。本文將會(huì)通過真實(shí)的數(shù)據(jù)，通過阿里云機(jī)器學(xué)習(xí)平臺(tái)搭建心臟病預(yù)測(cè)案例。

二、數(shù)據(jù)集介紹

數(shù)據(jù)源： UCI開源數(shù)據(jù)集heart_disease
針對(duì)美國(guó)某區(qū)域的心臟病檢查患者的體測(cè)數(shù)據(jù)，共303條數(shù)據(jù)。具體字段如下表：

字段名含義類型描述

age	年齡	string	對(duì)象的年齡，數(shù)字表示
sex	性別	string	對(duì)象的性別，female和male
cp	胸部疼痛類型	string	痛感由重到無typical、atypical、non-anginal、asymptomatic
trestbps	血壓	string	血壓數(shù)值
chol	膽固醇	string	膽固醇數(shù)值
fbs	空腹血糖	string	血糖含量大于120mg/dl為true，否則為false
restecg	心電圖結(jié)果	string	是否有T波，由輕到重為norm、hyp
thalach	最大心跳數(shù)	string	最大心跳數(shù)
exang	運(yùn)動(dòng)時(shí)是否心絞痛	string	是否有心絞痛，true為是，false為否
oldpeak	運(yùn)動(dòng)相對(duì)于休息的ST depression	string	st段壓數(shù)值
slop	心電圖ST segment的傾斜度	string	ST segment的slope，程度分為down、flat、up
ca	透視檢查看到的血管數(shù)	string	透視檢查看到的血管數(shù)
thal	缺陷種類	string	并發(fā)種類，由輕到重norm、fix、rev
status	是否患病	string	是否患病，buff是健康、sick是患病

三、數(shù)據(jù)探索流程

數(shù)據(jù)挖掘流程如下：

整體實(shí)驗(yàn)流程：

1.數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理也叫作數(shù)據(jù)清洗，主要在數(shù)據(jù)進(jìn)入算法流程前對(duì)數(shù)據(jù)進(jìn)行去噪、填充缺失值、類型變換等操作。本次實(shí)驗(yàn)的輸入數(shù)據(jù)包括14個(gè)特征和1個(gè)目標(biāo)隊(duì)列。需要解決的場(chǎng)景是根據(jù)用戶的體檢指標(biāo)預(yù)測(cè)是否會(huì)患有心臟病，每個(gè)樣本只有患病或不患病兩種，是分類問題。因?yàn)楸敬畏诸悓?shí)驗(yàn)選用的是線性模型邏輯回歸，要求輸入的特征都是double型的數(shù)據(jù)。
輸入數(shù)據(jù)展示：

我們看到有很多數(shù)據(jù)是文字描述的，在數(shù)據(jù)預(yù)處理的過程中我們需要根據(jù)每個(gè)字段的含義將字符型轉(zhuǎn)為數(shù)值。
1）二值類的數(shù)據(jù)
二值類的比較容易轉(zhuǎn)換，如sex字段有兩種表現(xiàn)形式female和male，我們可以將female表示成0，把male表示成1。
2）多值類的數(shù)據(jù)
比如cp字段，表示胸部的疼痛感，我們可以通過疼痛的由輕到重映射成0~3的數(shù)值。

數(shù)據(jù)的預(yù)處理通過sql腳本來實(shí)現(xiàn)，具體請(qǐng)參考SQL腳本-1組件，

select age, (case sex when 'male' then 1 else 0 end) as sex, (case cp when 'angina' then 0 when 'notang' then 1 else 2 end) as cp, trestbps, chol, (case fbs when 'true' then 1 else 0 end) as fbs, (case restecg when 'norm' then 0 when 'abn' then 1 else 2 end) as restecg, thalach, (case exang when 'true' then 1 else 0 end) as exang, oldpeak, (case slop when 'up' then 0 when 'flat' then 1 else 2 end) as slop, ca, (case thal when 'norm' then 0 when 'fix' then 1 else 2 end) as thal, (case status when 'sick' then 1 else 0 end) as ifHealth from ${t1};

2.特征工程

特征工程主要是包括特征的衍生、尺度變化等。本例中有兩個(gè)組件負(fù)責(zé)特征工程的部分。

1）過濾式特征選擇
主要是通過這個(gè)組件判斷每個(gè)特征對(duì)于結(jié)果的影響，通過信息熵和基尼系數(shù)來表示，可以通過查看評(píng)估報(bào)告來顯示最終的結(jié)果。

2）歸一化
因?yàn)楸敬螌?shí)驗(yàn)選擇的是通過邏輯回歸二分類來進(jìn)行模型訓(xùn)練，需要每個(gè)特征去除量綱的影響。歸一化的作用是將每個(gè)特征的數(shù)值范圍變?yōu)?到1之間。歸一化的公式為result=(val-min)/(max-min)。
歸一化結(jié)果：

3.模型訓(xùn)練和預(yù)測(cè)

本次實(shí)驗(yàn)是監(jiān)督學(xué)習(xí)，因?yàn)槲覀円呀?jīng)知道每個(gè)樣本是否患有心臟病，所謂監(jiān)督學(xué)習(xí)就是已知結(jié)果來訓(xùn)練模型。解決的問題是預(yù)測(cè)一組用戶是否患有心臟病。

1）拆分
首先通過拆分組件將數(shù)據(jù)分為兩部分，本次實(shí)驗(yàn)按照訓(xùn)練集和預(yù)測(cè)集7：3的比例拆分。訓(xùn)練集數(shù)據(jù)流入邏輯回歸二分類組件用來訓(xùn)練模型，預(yù)測(cè)集數(shù)據(jù)進(jìn)入預(yù)測(cè)組件。

2）邏輯回歸二分類
邏輯回歸是一個(gè)線性模型，在這里通過計(jì)算結(jié)果的閾值實(shí)現(xiàn)分類。具體的算法詳情推薦大家在網(wǎng)上或者書籍中自行了解。邏輯回歸訓(xùn)練好的模型可以在模型頁(yè)簽中查看。

3)預(yù)測(cè)
預(yù)測(cè)組件的兩個(gè)輸入分別是模型和預(yù)測(cè)集。預(yù)測(cè)結(jié)果展示的是預(yù)測(cè)數(shù)據(jù)、真實(shí)數(shù)據(jù)、每組數(shù)據(jù)不同結(jié)果的概率。

4.評(píng)估

通過混淆矩陣組件可以評(píng)估模型的準(zhǔn)確率等參數(shù)，

通過此組件可以方便的通過預(yù)測(cè)的準(zhǔn)確性來評(píng)估模型。

四.總結(jié)

通過以上數(shù)據(jù)探索的流程我們可以得到以下的結(jié)論。

1）特征權(quán)重
我們可以通過過濾式特征選擇得到每個(gè)特征對(duì)于結(jié)果的權(quán)重。

-可以看出thalach(心跳數(shù))對(duì)于是否發(fā)生心臟病影響最大。
-性別對(duì)于心臟病沒有影響
2）模型效果
通過上文提供的14個(gè)特征，可以達(dá)到百分之八十多的心臟病預(yù)測(cè)準(zhǔn)確率。模型可以用來做預(yù)測(cè)，輔助醫(yī)生預(yù)防和治療心臟病。

五、其它

免費(fèi)體驗(yàn)：阿里云數(shù)加機(jī)器學(xué)習(xí)平臺(tái)

總結(jié)

以上是生活随笔為你收集整理的【机器学习PAI实践一】搭建心脏病预测案例的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。