良/恶性乳腺癌肿瘤预测---线性分析

1 线性分类器

     介绍：假设特征与分类结果存在线性关系的模型；通过累加计算每个维度的特征与各自权重的乘积帮助类别决策。

2 实验代码及截图

#coding:utf-8
import pandas as pd
import numpy as np
#创建特征列表
column_names=['samples code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion',
'SIngle Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']
#使用pandas.read_csv函数读取指定数据
data=pd.read_csv('/home/guo/桌面/Work/shuju/Breast-Cancer/breast-cancer-wisconsin.data',names=column_names)
#将？替换为标准缺失值表示
data=data.replace(to_replace='?',value=np.nan)
#丢弃带有缺失值的数据（只有有一个维度有缺失）
data=data.dropna(how='any')
#输出data的数据量和维度
print("数据量 维度")
print(data.shape)

#使用sklearn.cross_valiation中train_test_split模块用于分割数据
from sklearn.cross_validation import train_test_split
#随机25%用于测试，其他用于训练
X_train,X_test,y_train,y_test=train_test_split(data[column_names[1:10]],data[column_names[10]],test_size=0.25,random_state=33)
#查验训练样本的数量和类别
print('训练样本的数量和类别')
print(y_train.value_counts())

#查看测试样本的数量和类别
print('测试样本的数量和类别')
print(y_test.value_counts())

#使用线性分类模型预测
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.linear_model import SGDClassifier
#标准化数据，保证每个维度的特征数据方差为1，均值为0
ss=StandardScaler()
X_train=ss.fit_transform(X_train)
X_test=ss.transform(X_test)
#初始化
lr=LogisticRegression()
sgdc=SGDClassifier()
#调用fit训练模型参数
lr.fit(X_train, y_train)
#进行预测
lr_y_predict=lr.predict(X_test)

#调用sgdclassifier中的fit训练模型
sgdc.fit(X_train,y_train)
#对X—test进行预测
sgdc_y_predict=sgdc.predict(X_test)

#使用线性分类模型记性预测任务的性能分析
from sklearn.metrics import classification_report
#获得测试集上的准确性结果
print('线性分类模型')
print('Accuracy of LR Classifier:',lr.score(X_test,y_test))
#获得其他三个自指标的结果
print classification_report(y_test,lr_y_predict,target_names=['Benign','Malignant'])

#使用随机梯度下降模型获得在测试集上的准确性结果
print('随机梯度下降模型')
print('Accuracy of SGD Classifier:',sgdc.score(X_test,y_test))
print classification_report(y_test,sgdc_y_predict,target_names=['Benign','Malignant'])    
    
 3 本文在最后使用了两种模型进行了性能的比较，以实验结果来看，LR相较于SDG在测试集表现有更高的准确性；