python打卡训练营打卡记录day31

知识点回顾

  1. 规范的文件命名
  2. 规范的文件夹管理
  3. 机器学习项目的拆分
  4. 编码格式和类型注解

**作业:**尝试针对之前的心脏病项目ipynb,将他按照今天的示例项目整理成规范的形式,思考下哪些部分可以未来复用。

心脏病项目目录

python 复制代码
目录结构:
 
heart/
├── config/   #集中存放项目的配置文件
├── data/   #存放项目相关数据
    ├── processed/   #数据预处理后的数据
    └── row/   #原始数据
├── experiments/   #用于探索和测试
├── models/   #存放训练好的模型文件
├── reports/   #存储项目运行产生的各类报告和输出文件
└── src/   #存放项目的核心源代码
    ├── data/   #数据相关代码
    ├── models/   #模型相关代码
    └── utils/   #通用辅助函数代码

心脏病项目拆分

导入依赖库

python 复制代码
# 忽视警告
import warnings
warnings.simplefilter('ignore')

# 数据处理
import numpy as np
import pandas as pd

# 数据可视化
import matplotlib.pyplot as plt
import seaborn as sns 

# 随机森林
from sklearn.ensemble import RandomForestClassifier 

# 决策树
from sklearn.tree import DecisionTreeClassifier

# 树的可视化
from sklearn.tree import export_graphviz 

# 模型评估方法
from sklearn.metrics import roc_curve, auc 
from sklearn.metrics import classification_report 

# 混淆矩阵
from sklearn.metrics import confusion_matrix 

# 数据切分
from sklearn.model_selection import train_test_split 

#可解释性分析
import shap 


np.random.seed(123) 
pd.options.mode.chained_assignment = None  

%matplotlib inline

数据可视化

python 复制代码
dt = pd.read_csv("heart.csv")
# 设置可视化风格
sns.set(palette = 'pastel', rc = {"figure.figsize": (10,5), # 图形大小、
                                  "axes.titlesize" : 14,    # 标题文字尺寸
                                  "axes.labelsize" : 12,    # 坐标轴标签文字尺寸
                                  "xtick.labelsize" : 10,   # X轴刻度文字尺寸
                                  "ytick.labelsize" : 10 }) # Y轴刻度文字尺寸
a = sns.countplot(x = 'target', data = dt)               # 绘制计数图,其中x为target,数据为dt
a.set_title('Distribution of Presence of Heart Disease') # 设置图形标题
a.set_xticklabels(['Absent', 'Present'])                 # 将两个条形的标签分别设置为"Absent"(没有心脏病)和"Present"(有心脏病)
plt.xlabel("Presence of Heart Disease")                  # 设置X轴标签
# 显示图形
plt.show()

#患者年龄分布
plt.show()
g = sns.countplot(x = 'age', data = dt) # 绘制计数图,其中x为age,数据为dt
g.set_title('Distribution of Age')      # 设置图形标题
plt.xlabel('Age')                       # 设置X轴标签

#患者性别分布
dt.sex.value_counts()
b = sns.countplot(x = 'target', data = dt, hue = 'sex')          # 创建一个计数图,其中x为target,数据为dt,用sex作为色相(切分类别)
plt.legend(['Female', 'Male'])                                    # 以female/male作为标签,在图形中嵌入图例
b.set_title('Distribution of Presence of Heart Disease by Sex')   # 设置图形标题
b.set_xticklabels(['Absent', 'Present'])                          # 设置条形图的标签
# 显示图形
plt.show()

# 可视化病患血清胆固醇浓度分布
sns.distplot(dt['chol'].dropna(), kde=True, color='darkblue', bins=40)

# 可视化病人(入院时)的静息血压分布
sns.distplot(dt['trestbps'].dropna(), kde=True, color='darkgreen', bins=10)

# 可视化病人空腹血糖浓度分布
g = sns.countplot(x = 'fbs', data = dt)                 # 绘制计数图,其中x为fbs,数据为dt
g.set_title('Distribution of Fasting blood sugar')      # 设置图形标题
plt.xlabel('Fasting blood sugar')                       # 设置X轴标签

#绘制热力图
f,ax = plt.subplots(figsize=(12,12)) # 定义图形尺寸
# 根据计算的相关值绘制热力图
sns.heatmap(dt.corr('pearson'), annot = True, linewidths = .5, fmt =  '.1f', ax = ax)
# 显示特征相关性热力图
plt.show()

数据预处理

python 复制代码
#由于原数据集内的特征名称不利于解读。因此,我们先对其进行重命名,使其更容易理解。
dt.columns = ['age', 
              'sex', 
              'chest_pain_type', 
              'resting_blood_pressure', 
              'cholesterol', 
              'fasting_blood_sugar', 
              'rest_ecg', 
              'max_heart_rate_achieved',
              'exercise_induced_angina', 
              'st_depression', 
              'st_slope', 
              'num_major_vessels', 
              'thalassemia', 'target']

#转换数据类型
dt.dtypes

# 使用"astype"指定数据类型
dt['sex'] = dt['sex'].astype('object')
dt['chest_pain_type'] = dt['chest_pain_type'].astype('object')
dt['fasting_blood_sugar'] = dt['fasting_blood_sugar'].astype('object')
dt['rest_ecg'] = dt['rest_ecg'].astype('object')
dt['exercise_induced_angina'] = dt['exercise_induced_angina'].astype('object')
dt['st_slope'] = dt['st_slope'].astype('object')
dt['thalassemia'] = dt['thalassemia'].astype('object')

#转换后重新确认输出
dt.dtypes

# 对object数据类型进行编码
# 将"female"编码为0,将"male"编码为1
# 下面的编码方式类似
dt['sex'][dt['sex'] == 0] = 'female'
dt['sex'][dt['sex'] == 1] = 'male'

dt['chest_pain_type'][dt['chest_pain_type'] == 1] = 'typical angina'
dt['chest_pain_type'][dt['chest_pain_type'] == 2] = 'atypical angina'
dt['chest_pain_type'][dt['chest_pain_type'] == 3] = 'non-anginal pain'
dt['chest_pain_type'][dt['chest_pain_type'] == 4] = 'asymptomatic'

dt['fasting_blood_sugar'][dt['fasting_blood_sugar'] == 0] = 'lower than 120mg/ml'
dt['fasting_blood_sugar'][dt['fasting_blood_sugar'] == 1] = 'greater than 120mg/ml'

dt['rest_ecg'][dt['rest_ecg'] == 0] = 'normal'
dt['rest_ecg'][dt['rest_ecg'] == 1] = 'ST-T wave abnormality'
dt['rest_ecg'][dt['rest_ecg'] == 2] = 'left ventricular hypertrophy'

dt['exercise_induced_angina'][dt['exercise_induced_angina'] == 0] = 'no'
dt['exercise_induced_angina'][dt['exercise_induced_angina'] == 1] = 'yes'

dt['st_slope'][dt['st_slope'] == 1] = 'upsloping'
dt['st_slope'][dt['st_slope'] == 2] = 'flat'
dt['st_slope'][dt['st_slope'] == 3] = 'downsloping'

dt['thalassemia'][dt['thalassemia'] == 1] = 'normal'
dt['thalassemia'][dt['thalassemia'] == 2] = 'fixed defect'
dt['thalassemia'][dt['thalassemia'] == 3] = 'reversable defect'

# 调用"get_dummies"进行独特编码
dt = pd.get_dummies(dt, drop_first=True) 

#划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(dt.drop(columns='target'),
                                                    dt['target'],
                                                    test_size=0.2,
                                                    random_state=10)

模型创建和预测

python 复制代码
#创建模型
model = RandomForestClassifier(max_depth=5, n_estimators=10)    # 设置最大深度与基学习器等参数
model.fit(X_train, y_train)                                     # 使用随机森林拟合训练集

#模型预测
y_predict = model.predict(X_test)
# 生成一个nxm的矩阵,第i行表示第i个样本属于各个标签的概率
y_pred_quant = model.predict_proba(X_test)[:, 1]
y_pred_bin = model.predict(X_test)

模型评估

python 复制代码
#生成混淆矩阵
confusion_matrix = confusion_matrix(y_test, y_pred_bin)
confusion_matrix

#计算灵敏度和特异度
total=sum(sum(confusion_matrix))

sensitivity = confusion_matrix[0,0]/(confusion_matrix[0,0]+confusion_matrix[1,0])
print('灵敏度 : ', sensitivity )

specificity = confusion_matrix[1,1]/(confusion_matrix[1,1]+confusion_matrix[0,1])
print('特异度 : ', specificity)

# 绘制ROC曲线
# 得到曲线的横轴和纵轴
fpr, tpr, thresholds = roc_curve(y_test, y_pred_quant)

fig, ax = plt.subplots()
# 绘制roc曲线
ax.plot(fpr, tpr)
# 绘制y=x直线
ax.plot([0, 1], [0, 1], transform=ax.transAxes, ls="--", c=".3")
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.rcParams['font.size'] = 12
plt.title('ROC curve for diabetes classifier')
plt.xlabel('False Positive Rate (1 - Specificity)')
plt.ylabel('True Positive Rate (Sensitivity)')
plt.grid(True)

可解释性分析

python 复制代码
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
#特征重要性图
shap.summary_plot(shap_values[1], X_test, plot_type="bar")
#蜂群图
shap.summary_plot(shap_values[1], X_test)

@浙大疏锦行

相关推荐
声声codeGrandMaster13 分钟前
Django之验证码功能
数据库·后端·python·django
学习使我变快乐1 小时前
C++:迭代器
开发语言·c++·windows
zwjapple2 小时前
RabbitMQ的基本使用
开发语言·后端·ruby
咖啡の猫3 小时前
JavaScript基础-作用域链
开发语言·javascript
找不到、了3 小时前
关于ReadWriteLock读写锁的介绍
java·开发语言·jvm
佩奇的技术笔记3 小时前
Python入门手册:Python简介,什么是Python
开发语言·python
winfredzhang3 小时前
打造高效数据处理利器:用Python实现Excel文件智能合并工具
python·excel·合并·排序·xlsx
神秘敲码人3 小时前
Django基础(一)MVT 模式与 Django 框架
笔记·python·django
Y3174294 小时前
Python Day27 学习
python·学习·机器学习
建鼎呓语4 小时前
使用国内源加速Qt在线安装
开发语言·qt