机器学习之逻辑回归（三）：基于逻辑回归的癌症预测案例——【癌症分类预测-良／恶性乳腺癌肿瘤预测】

逻辑回归需要掌握的知识点

• 知道逻辑回归的损失函数
• 知道逻辑回归的优化方法
• 知道sigmoid函数
• 知道逻辑回归的应用场景
• 应用LogisticRegression实现逻辑回归预测
• 知道精确率、召回率指标的区别
• 知道如何解决样本不均衡情况下的评估
• 了解ROC曲线的意义说明AUC指标大小
• 应用classification_report实现精确率、召回率计算
• 应用roc_auc_score实现指标计算

基于逻辑回归的癌症预测案例

癌症分类预测-良／恶性乳腺癌肿瘤预测

• 数据介绍

原始数据的下载地址：https://archive.ics.uci.edu/ml/machine-learning-databases/（可以不通过手动下载，通过url的方法）

数据及源代码的Github下载地址：https://github.com/w1449550206/Cancer-prediction-based-on-logistic-regression.git

数据描述

（1）699条样本，共11列数据，第一列用语检索的id，后9列分别是与肿瘤

相关的医学特征，最后一列表示肿瘤类型的数值。

（2）包含16个缺失值，用”?”标出。

1 分析

1.获取数据 （可以不通过手动下载，通过url的方法）
2.基本数据处理
2.1 缺失值处理
2.2 确定特征值,目标值
2.3 分割数据
3.特征工程 标准化
4.机器学习 逻辑回归的建模
5.模型评估 二分类 准确率 精确率 召回率 F1_score AUC

2 详细写代码步骤

import pandas as pd 
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

1.获取数据 在线下载
2.数据基本处理 缺失值处理，划分数据集
3.特征工程 数据标准化
4.机器学习 逻辑回归的建模
5.模型评估 二分类 准确率 精确率 召回率 F1_score AUC

2.1 获取数据 在线下载

2.1.1 pandas在线下载数据

data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data')

2.1.2 查看数据

data.head()

2.1.3 修改列的名字

#给列名字
names = ['Sample 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']

#给data增加一个names参数
data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data',names = names)

data.head()

2.1.4 列名解释

• Sample code number 样本编号 用不到
• Clump Thickness 肿瘤特征1
• Uniformity of Cell Size 肿瘤特征2
• Uniformity of Cell Shape 肿瘤特征3
• Marginal Adhesion 肿瘤特征4
• Single Epithelial Cell Size 肿瘤特征5
• Bare Nuclei 肿瘤特征6
• Bland Chromatin 肿瘤特征7
• Normal Nucleoli 肿瘤特征8
• Mitoses 肿瘤特征9
• Class 肿瘤的种类

在实际工作中，要弄清楚每一个肿瘤特征代表什么含义，这样才能做好异常值缺失值的处理

2.1.5 查看目标值

data.Class#说明：2表示良性，4表示恶性

2.2 数据基本处理 缺失值处理，划分数据集

2.2.1 ？标志的缺失值

#替换缺失值
data = data.replace(to_replace='?',value=np.nan)

## 删除缺失值的样本
data = data.dropna() #删除有np.nan的行

2.2.2 划分数据集

#特征值
x = data.iloc[:,1:10]
x.head()

#目标值
y = data['Class']
y.head()

x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2)

2.3 特征工程 标准化

transform = StandardScaler()#实例化转换器
#标准化
x_train = transform.fit_transform(x_train)
x_test = transform.fit_transform(x_test)

2.4 逻辑回归机器学习建模

2.4.1 建立模型

estimate = LogisticRegression()#用默认的就行

2.4.2 训练模型

estimate.fit(x_train,y_train)#得到了模型

2.5 模型评估

2.5.1 计算准确率

estimate.score(x_train,y_train)

estimate.score(x_test,y_test)

2.5.2 其他的评估方法

这个下一篇会详细讲解，但是在github的仓库中您可以看到。

3 代码

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

import ssl
ssl._create_default_https_context = ssl._create_unverified_context
# 1.获取数据
names = ['Sample 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']

data = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data",
                  names=names)
data.head()
# 2.基本数据处理
# 2.1 缺失值处理
data = data.replace(to_replace="?", value=np.NaN)
data = data.dropna()
# 2.2 确定特征值,目标值
x = data.iloc[:, 1:10]
x.head()
y = data["Class"]
y.head()
# 2.3 分割数据
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22)
# 3.特征工程(标准化)
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)
# 4.机器学习(逻辑回归)
estimator = LogisticRegression()
estimator.fit(x_train, y_train)
# 5.模型评估
y_predict = estimator.predict(x_test)
y_predict
estimator.score(x_test, y_test)

在很多分类场景当中我们不一定只关注预测的准确率！！！！！

比如以这个癌症举例子！！！我们并不关注预测的准确率，而是关注在所有的样本当中，癌症患者有没有被全部预测（检测）出来。