Python 基于朴素贝叶斯根据症状预测疾病，疾病预测模型

一、贝叶斯概念

贝叶斯方法是以贝叶斯原理为基础，使用概率统计的知识对样本数据集进行分类。由于其有着坚实的数学基础，贝叶斯分类算法的误判率是很低的。贝叶斯方法的特点是结合先验概率和后验概率，即避免了只使用先验概率的主观偏见，也避免了单独使用样本信息的过拟合现象。贝叶斯分类算法在数据集较大的情况下表现出较高的准确率，同时算法本身也比较简单。（[1]朱军,胡文波.贝叶斯机器学习前沿进展综述[J].计算机研究与发展,2015,52(01):16-26.）

二、朴素贝叶斯

朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。（[2]马刚. 朴素贝叶斯算法的改进与应用[D].安徽大学,2018.）

三、分类原理

朴素贝叶斯分类（NBC）是以贝叶斯定理为基础并且假设特征条件之间相互独立的方法，先通过已给定的训练集，以特征词之间独立作为前提假设，学习从输入到输出的联合概率分布，再基于学习到的模型，输入 求出使得后验概率最大的输出 。

设有样本数据集，对应样本数据的特征属性集为，类变量为，即D可以分为ym类别。其中相互独立且随机，则Y的先验概率，Y的后验概率，由朴素贝叶斯算法可得，后验概率可以由先验概率、证据、类条件概率计算出：

朴素贝叶斯基于各特征之间相互独立，在给定类别为y的情况下，上式可以进一步表示为下式：

由以上两式可以计算出后验概率为：

由于P(X)的大小是固定不变的，因此在比较后验概率时，只比较上式的分子部分即可。因此可以得到一个样本数据属于类别的朴素贝叶斯计算：

四、由临床症状和体征预测疾病发生情况

疾病+症状/体征的数据样式如图：

数据维度：疾病数量3481个，即拥有3481个分类标签；临床表现+症状+体征总共14156个特征标签，即疾病的特征维度的长度为14156。

由疾病症状和体征去预测疾病的缺陷：疾病的症状发生条件并非相互独立，比如恶心和呕吐关联性非常高。其次，疾病症状和体征发生相应疾病的概率难以测定，因为缺乏相应的数据集。所以，大家一定要谨慎思考自己的需求和设定。

五、数据处理过程及参考代码

（1）清洗数据：

把疾病症状和体征转化为可训练的数据集：

把疾病标签转为相应的可训练数据集；

import pandas as pd

df_01 = pd.read_excel('临床体征.xlsx')
df_01.head(2)

def cord2id(list):
    dic = {}
    list = set(list)
    for id,word in enumerate(list):
        dic[word] = id
    return dic

#把疾病和症状转为id字典
dis2id = cord2id(df_01.entity.to_list())
zhengzhuang2id = cord2id(df_01.value.to_list())

dic_tezheng = {}
for i in df_01.values:
    try:
        dic_tezheng[dis2id[i[0]]] += [zhengzhuang2id[i[2]]]
    except:
        dic_tezheng[dis2id[i[0]]] = [zhengzhuang2id[i[2]]]

def xandy(dic):
    x = []
    y = []
    for i in dic.keys():
        y.append(i)
        x.append(dic[i])
    return x,y

#训练集
x_tezheng,y_jibing = xandy(dic_tezheng)

（2）转为array格式：

特征向量维度(3481,14156)：

import numpy as np

x_arry = np.zeros((3481,14156))

for index_i,i in enumerate(x_tezheng):
    for j in i:
        x_arry[index_i,j] = 1

#验证
print(y_arry[0,1831])

>>> 1.0

（3）训练数据（我偷懒了，直接调包）：

from sklearn.naive_bayes import GaussianNB


clf = GaussianNB().fit(x_arry,y_jibing)

（4）验证数据：

text='细菌感染，活动受限，心肌病，心肌炎，咀嚼困难'

#数据预处理
ceshi = text.split('，')
ceshi2id = [zhengzhuang2id[i] for i in ceshi]

#数据转化array
x_ceshi = np.zeros((14156,))
for i in ceshi2id:
    x_ceshi[i] = 1

#数据预测结果
y_yuce = clf.predict([x_ceshi])

for i in dis2id.keys():
    if dis2id[i] == y_yuce_id:
        print(i)

输出结果：“多发性肌炎-皮肌炎”

总结！总结！总结！：

怎么说呢，朴素贝叶斯模型根据疾病和症状去预测疾病，数据集是一个大问题！！！，我整理的数据集还是远远不够，所以效果一般，而且数据集的构造和特征制定是需要扩充的，比如我整理的数据是x1+x2+x3+...+xn = yi ，但实际情况是x1→yi，或者x2→yi，或者x1+x3→yi，这也是是数据集扩充的一种方法。

大家可以去自由发挥啦！