【深度学习练习】心脏病预测

一、什么是RNN

RNN与传统神经网络最大的区别在于,每次都会将前一次的输出结果,带到下一隐藏层中一起训练。如下图所示:

二、前期工作

1. 设置GPU

python 复制代码
import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0]                                        #如果有多个GPU,仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")

2. 导入数据

数据介绍:

age:年龄

sex:性别

cp:胸痛类型 (4 values)

trestbps:静息血压

chol:血清胆甾醇 (mg/dl)

fbs:空腹血糖 > 120 mg/dl

restecg:静息心电图结果 (值 0,1 ,2)

thalach:达到的最大心率

exang:运动诱发的心绞痛

oldpeak:相对于静止状态,运动引起的ST段压低

slope:运动峰值 ST 段的斜率

ca:荧光透视着色的主要血管数量 (0-3)

thal:0 = 正常;1 = 固定缺陷;2 = 可逆转的缺陷

target:0 = 心脏病发作的几率较小 1 = 心脏病发作的几率更大

python 复制代码
import pandas as pd
import numpy as np

df = pd.read_csv(r"D:\Personal Data\Learning Data\DL Learning Data\heart.csv")
df

输出:

3. 检查数据

python 复制代码
df.isnull().sum()

输出:

三、数据预处理

1. 划分数据集

python 复制代码
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

x = df.iloc[:,:-1]
y = df.iloc[:,-1]

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.1, random_state=1)
python 复制代码
x_train.shape, y_train.shape

输出:

2. 标准化

python 复制代码
# 将每一列特征标准化为标准正太分布,注意,标准化是针对每一列而言的
sc = StandardScaler()
x_train = sc.fit_transform(x_train)
x_test  = sc.transform(x_test)

x_train = x_train.reshape(x_train.shape[0], x_train.shape[1], 1)
x_test  = x_test.reshape(x_test.shape[0], x_test.shape[1], 1)

3. 构建RNN模型

python 复制代码
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN

model = Sequential()
model.add(SimpleRNN(128, input_shape= (13,1),return_sequences=True,activation='relu'))
model.add(SimpleRNN(64,return_sequences=True, activation='relu'))
model.add(SimpleRNN(32, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()

输出:

五、编译模型

python 复制代码
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(loss='binary_crossentropy', optimizer=opt,metrics=['accuracy'])

六、训练模型

python 复制代码
epochs = 50

history = model.fit(x_train, y_train,
                    epochs=epochs,
                    batch_size=128,
                    validation_data=(x_test, y_test),
                    verbose=1)

部分输出:

python 复制代码
model.evaluate(x_test,y_test)

输出:

七、模型评估

python 复制代码
import matplotlib.pyplot as plt

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(epochs)

plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

最后准确率输出:

python 复制代码
scores = model.evaluate(x_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

八、总结

  1. 注意numpy与panda以及matplotlib等之间的兼容性
  2. 注意对每一列的特征数据标准化处理
相关推荐
lrlianmengba6 分钟前
推荐一款可视化和检查原始数据的工具:RawDigger
人工智能·数码相机·计算机视觉
阿_旭10 分钟前
基于YOLO11/v10/v8/v5深度学习的维修工具检测识别系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
人工智能·python·深度学习·qt·ai
YRr YRr14 分钟前
深度学习:Cross-attention详解
人工智能·深度学习
阿_旭14 分钟前
基于YOLO11/v10/v8/v5深度学习的煤矿传送带异物检测系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】
人工智能·python·深度学习·目标检测·yolo11
夏天里的肥宅水19 分钟前
机器学习3_支持向量机_线性不可分——MOOC
人工智能·机器学习·支持向量机
云卓科技21 分钟前
无人车之路径规划篇
人工智能·嵌入式硬件·算法·自动驾驶
2403_8757368732 分钟前
道品科技的水肥一体化智能灌溉:开启现代农业的创新征程
大数据·人工智能·1024程序员节
hostpai33 分钟前
FebHost:科技公司选择.TECH域名的魅力
人工智能·科技·搜索引擎·国外域名·科技域名·.tech域名
算家云1 小时前
如何在算家云搭建Aatrox-Bert-VITS2(音频生成)
人工智能·深度学习·aigc·模型搭建·音频生成·算家云
Troc_wangpeng2 小时前
机器学习的转型
人工智能·机器学习