기계 학습을 이용한 심장 질환 분석.

심장 질환은 심장에 영향을 미치는 일련의 상태를 말합니다. 심장 질환 우산 아래의 질병에는 관상 동맥 질환, 심근 경색, 심부전, 심장 박동 문제(부정맥) 및 선천성 심장 결함(선천성 심장 결함)과 같은 혈관 질환이 포함됩니다. 다음과 같은 심장 질환을 유발하는 위험 요소:

과체중

고혈압

고콜레스테롤 수치

당뇨병

비활성 상태

GitHub 코드Link

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import rcParams
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
from sklearn.neighbors import KNeighborsClassifier

df = pd.read_csv('dataset.csv')
print(df.head())

산출:

print(df.info())

산출:

print(df.describe())

산출:

기능 선택

데이터 세트에서 각 기능의 상관 관계를 얻으려면

import seaborn as sns
corrmat = df.corr()
top_corr_features = corrmat.index
plt.figure(figsize=(16,16))
#plot heat map
g=sns.heatmap(df[top_corr_features].corr(),annot=True,cmap="RdYlGn")
plt.show()

산출:

대상 클래스의 크기가 거의 동일한 데이터 세트로 작업하는 것이 항상 좋습니다. 따라서 동일한 내용을 확인하겠습니다.

sns.set_style('whitegrid')
sns.countplot(x='target',data=df,palette='RdBu_r')
plt.show()

산출:

데이터 처리

데이터 세트를 탐색한 후 기계 학습 모델을 교육하기 전에 일부 범주형 변수를 더미 변수로 변환하고 모든 값을 확장해야 한다는 것을 알았습니다.

먼저 get_dummies 메서드를 사용하여 범주형 변수에 대한 더미 열을 만듭니다.

dataset = pd.get_dummies(df, columns = ['sex', 'cp', 
                                        'fbs','restecg', 
                                        'exang', 'slope', 
                                        'ca', 'thal'])
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
standardScaler = StandardScaler()
columns_to_scale = ['age', 'trestbps', 'chol', 'thalach', 'oldpeak']
dataset[columns_to_scale] = standardScaler.fit_transform(dataset[columns_to_scale])
dataset.head()

산출:

y = dataset['target']
X = dataset.drop(['target'], axis = 1)

from sklearn.model_selection import cross_val_score
knn_scores = []
for k in range(1,21):
    knn_classifier = KNeighborsClassifier(n_neighbors = k)
    score=cross_val_score(knn_classifier,X,y,cv=10)
    knn_scores.append(score.mean())

plt.plot([k for k in range(1, 21)], knn_scores, color = 'red')
for i in range(1,21):
    plt.text(i, knn_scores[i-1], (i, knn_scores[i-1]))
plt.xticks([i for i in range(1, 21)])
plt.xlabel('Number of Neighbors (K)')
plt.ylabel('Scores')
plt.title('K Neighbors Classifier scores for different K values')
plt.show()

산출:

knn_classifier = KNeighborsClassifier(n_neighbors = 12)
score=cross_val_score(knn_classifier,X,y,cv=10)
score.mean()

산출:

랜덤 포레스트 분류기

from sklearn.ensemble import RandomForestClassifier
randomforest_classifier= RandomForestClassifier(n_estimators=10)
score=cross_val_score(randomforest_classifier,X,y,cv=10)
score.mean()

산출: