原文链接:http://tecdat.cn/?p=24973
原文出处:拓端数据部落公众号
简介
世界卫生组织估计全世界每年有 1200 万人死于心脏病。在美国和其他发达国家,一半的死亡是由于心血管疾病。心血管疾病的早期预后可以帮助决定改变高危患者的生活方式,从而减少并发症。本研究旨在查明心脏病最相关/风险因素,并使用机器学习预测总体风险。
数据准备
来源
该数据集来自对居民正在进行的心血管研究。分类目标是预测患者未来是否有 10 年患冠心病 (CHD) 的风险。数据集提供了患者的信息。它包括超过 4,000 条记录和 15 个属性。
变量
每个属性都是一个潜在的风险因素。有人口、行为和医疗风险因素。
人口统计:
• 性别:男性或女性(标量)
• 年龄:患者年龄;(连续 - 尽管记录的年龄已被截断为整数,但年龄的概念是连续的)
行为
• 当前吸烟者:患者是否是当前吸烟者(标量)
• 每天吸烟数:此人一天内平均吸烟的香烟数量。(可以认为是连续的,因为一个人可以拥有任意数量的香烟,甚至半支香烟。)
• BP Meds:患者是否服用降压药(标量)
•中风:患者之前是否有中风(标量)
• Hyp:患者是否患有高血压(标量)
• 糖尿病:患者是否患有糖尿病(标量)
• Tot Chol:总胆固醇水平(连续)
• Sys BP:收缩压(连续)
• Dia BP:舒张压(连续)
• BMI:体重指数(连续)
• 心率:心率(连续 - 在医学研究中,心率等变量虽然实际上是离散的,但由于存在大量可能值而被认为是连续的。)
• 葡萄糖:葡萄糖水平(连续)
预测变量(预期目标)
• 10 年患冠心病 CHD 的风险(二进制:“1”表示“是”,“0”表示“否”)
心脏病预测
- # 获取数据
- rdaa <- read.csv(路径)
- # 这边可以考虑增加变量收缩压与舒张压之差、描述收缩压、舒张压与高血压等级的变量
- # 看数据结构
- str(ata)
- # 考虑增加变量bplevel
- raw_data <- sqldf
- # 对变量类别进行区分
- ra_da <- map
- str(ra_da )
数据预处理
查看和处理缺失值
- # 这里我们使用mice包进行缺失值处理
- aggr
matplot
由上图可以看出,除了glucose变量,其它变量的缺失比例都低于5%,而glucose变量缺失率超过了10%。对此的处理策略是保留glucose变量的缺失值,直接删除其它变量的缺失值。 现在处理glucose的缺失值,
- # 处理glucose列
- lee_a <- subset & !is.na & !is.na & !is.na & !is.na & !is.na
- # 查看glce与其它变量的线性相关性确定mice的填充策略
- gcog = glm(lcse ~ .)
- smry(glseg)
填充,排除不重要的变量。至于为什么不选diaBP,主要是后面的相关性分析中,这两个变量会造成多重共线性。
- mice%in% m=5, "pmm", mai = 50, sd=2333, pint= FALSE)
- #查看填充结果
- smr(mc_od)
- # 查看原始数据和插补后的数据分布情况
- epot(mi_md)
sipt(mcod, pch=12)
- # 填充数据
- mi_t <- complete
- fir_aa$loe <- miout$guose
- sum(is.na(flda))
删除重复行
- # 查看有无重复行并删除重复行
- sum(duplicated
comd_ata <- comdta[!duplicated(), ]
查看离群点
- #查看异常值
- gplot(coedta)+geom_boxplot(ae(ftr(1),age))
ggplot(copd_dta)+geom_boxplot(aes(factor(1cigDy))
ggplot(coea)+geom_boxplot(aes(factor(1),ttl))
ggplot(colt_ta)+geom_boxplot(aes(factor(1),syBP))
ggplot(comeaa)+geom_boxplot(aes(factor(1),daP))
ggplot()+gem_boxplot(aes(factor(1),BMI))
- # 查看cigsPerDay
- cigs_sub <- comled_dta
- # 查看totChol,删除异常点
- # 查看sysBP, 删除异常点
- # 查看BMI
totChol: 总胆固醇水平大于240mg/dl已属于非常高,故删去水平值为600mg/dl的记录。 sysBP: 去掉收缩压为295mg/dl的记录
- # 删除各变量离群点
- competedata
- # 分类型变量列联分析
- ggplot+geom_boxplot
ggplot+geom_boxplot(aes,totChol,fill=TenYerCHD))
- cometddata %>% fitr %>%
- ggplot
由图像知,glucose和hearRate变量有不显着的风险
- table1=table
- chisq.test
table1
- table2=table
- chisq.test
- table3=table
- chisq.test
chisq.test
ggpairs
diaBP和sysBP有多重共线性的问题。
currentSmoker变量可能不显着,下面进入模型部分。
模型
- # 划分数据集
- split = sample.split
- train = subset
逻辑回归
- # 逻辑回归模型 - 使用所有变量
- fultaog = glm
- summary(fulog)
- fldaog = glm
- summary(fuatLg)
- prdts = predict
- glm_le <- table
ACCU
随机森林
- rfoel <- randomForest
- # 获得重要性
- imprace
- # 选择重要的因素
- rfmdel <- randomForest
- # 误差
- plot
- # 获取重要性
- ggplot +
- geom_bar
- geom_text
这里有患病风险的误差不降反升,需要探究其中原因
- # 绘制分类图像
- pred<-predict
- pdou_1<-predict #输出概率
- table <- table
- sum(diag/sum #预测准确率
plot(margin
SVM支持向量机
- # 先进行模型调优
- tud <- tune.svm
- summary(tud )
- # 使用turning函数得到最佳参数设置支持向量机
- mel.nd <- svm
- cost=tuned$
- summary(modted)
- # 调用predict函数基于刚配置好的SVM模型进行类标号的预测:
- sm.ne.ed <- predict
- sv.tuedtble <- table
- sm.ue.tbe
acy.s.vm <- sum(diag)/sum
模型诊断
根据上面三个模型的结果,可以看出预测结果的类别数量分布非常不均衡
sum
sum(TeYaHD == 0)
针对这一现象,需要采取方法平衡数据集。
最受欢迎的见解
3.matlab中的偏最小二乘回归(PLSR)和主成分回归(PCR)
6.r语言中对LASSO回归,Ridge岭回归和Elastic Net模型实现
7.R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
9.R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测