python预测糖尿病_【python数据分析实战一】糖尿病预测（线性回归模型）

简介

sklearn.datasets 包提供了一些小的数据集，可用于机器学习入门，见下图。

本次数据分析实战，对糖尿病数据集进行回归分析。

一、导入数据

# 导数据分析常用包

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

# 导包获取糖尿病数据集

from sklearn.datasets import load_diabetes

data_diabetes = load_diabetes()

print(data_diabetes)

# 我们先看一下数据是什么样：

# diabetes 是一个关于糖尿病的数据集， 该数据集包括442个病人的生理数据及一年以后的病情发展情况。

输出结果：

{ 'data': array([[ 0.03807591, 0.05068012, 0.06169621, ..., -0.00259226,

0.01990842, -0.01764613],

[-0.00188202, -0.04464164, -0.05147406, ..., -0.03949338,

-0.06832974, -0.09220405],

[ 0.08529891, 0.05068012, 0.04445121, ..., -0.00259226,

0.00286377, -0.02593034],

...,

[-0.04547248, -0.04464164, -0.0730303 , ..., -0.03949338,

-0.00421986, 0.00306441]]),

'feature_names': ['age', 'sex', 'bmi', 'bp', 's1', 's2', 's3', 's4', 's5', 's6'],

'target': array([ 151., 75., 141., 206., 135., 97., 138., 63., 110.,

310., 101., 69., 179., 185., 118., 171., 166., 144.,

97., 168., 68., 49., 68., 245., 184., 202., 137.,

...,

91., 111., 152., 120., 67., 310., 94., 183., 66.,

173., 72., 49., 64., 48., 178., 104., 132., 220., 57.])}

# 从结果可以看到，这个数据集是个字典形式，三个key值，分别是['data' , 'feature_names' , 'target']

# 为了方便后续处理数据，现在将这个字典形式的数据集进行拆分

data = data_diabetes['data']

target = data_diabetes['target']

feature_names = data_diabetes['feature_names']

#现在三个数据都是numpy的一维数据形式，将她们组合成dataframe，可以更直观地观察数据

df = pd.DataFrame(data,columns = feature_names)

df.head() # 查看前几行数据

二、处理数据

# 查看数据集的基本信息

df.info()

输出结果：数据集共442条信息，特征值总共10项, 如下:

# age:年龄

# sex:性别

# bmi = body mass index:身体质量指数，是衡量是否肥胖和标准体重的重要指标，理想BMI(18.5~23.9) = 体重(单位Kg) ÷ 身高的平方 (单位m)

# bp = blood pressure :血压

# s1,s2,s3,s4,s4,s6 (六种血清的化验数据)

二、建立模型

# 1、抽取训练集合测试集

from sklearn.model_selection import train_test_split

train_X,test_X,train_Y,test_Y = train_test_split(data,target,train_size =0.8)

# 2、建立模型

from sklearn.linear_model import LinearRegression

model = LinearRegression()

# 3、训练数据

model.fit(train_X,train_Y)

LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

# 4、评估模型

model.score(train_X,train_Y)

输出结果:

0.51298922173144801

# 模型评估结果只有0.5左右，不是很高，说明变量之间的因果关系不是很强。

# 一般这种情况下，我们会考察 单个特征值 与 结果标签 之间的相关关系。

三、考察单个特征

'''考察单个特征值与结果之间的关系，以图表形式展示'''

# 1、取出特征值

df.columns

输出结果：

Index(['age', 'sex', 'bmi', 'bp', 's1', 's2', 's3', 's4', 's5', 's6'], dtype='object')

# 2、循环对每个特征值进行建模训练，作图

# 建立画板，作图5行2列的图

plt.figure(figsize=(2*6,5*5))

for i,col in enumerate(df.columns): #enumerate 枚举

train_X = df.loc[:,col].reshape(-1,1)

# 每一次循环，都取出datafram中的一列数据，是一维Series数据格式，但是线性回归模型要求传入的是一个二维数据，因此利用reshape修改其形状

train_Y = target

linear_model = LinearRegression() # 构建模型

linear_model.fit(train_X,train_Y) #训练模型

score = linear_model.score(train_X,train_Y) # 评估模型

# 以训练数据为X轴，标记为Y 轴，画出散点图，直观地看每个特征和标记直接的关系

axes = plt.subplot(5,2,i+1)

plt.scatter(train_X,train_Y)

# 画出每一个特征训练模型得到的拟合直线 y= kx + b

k = linear_model.coef_ # 回归系数

b = linear_model.intercept_ # 截距

x = np.linspace(train_X.min(),train_X.max(),100)

y = k * x + b

# 作图

plt.plot(x,y,c='red')

axes.set_title(col + ':' + str(score))

plt.show()

# 结果：

从以上分析可知，单独看所有特征的训练结果，并不没有得到有效信息，我们拆分各个特征与指标的关系，可以看出：

bmi与糖尿病的相关性非常高，bp也有一定的关系，但是是否是直接关系，还是间接关系，有待深入考察。其他血清指标多少都和糖尿病有些关系，有的相关性强，有的相关性弱。