python xgboost_Python机器学习——使用XGBoost检测帕金森氏病

在这个项目中，我们将构建一个模型，通过该模型我们可以准确地检测人体中帕金森氏病的存在。

什么是帕金森氏病？

帕金森氏病是中枢神经系统的进行性疾病，会影响运动并诱发震颤和僵硬。这是慢性的，尚未治愈。它是一种神经退行性疾病，会影响大脑中产生多巴胺的神经元。

什么是XGBoost？

XGBoost是一种新的机器学习算法，设计时考虑了速度和性能。XGBoost代表eXtreme Gradient Boosting，它基于决策树。在这个项目中，我们将从xgboost库中导入XGBClassifier。这是用于XGBoost分类的scikit-learn API的实现。

使用XGBoost检测帕金森氏病的目的

在这个项目中，我们使用Python库 scikit-learn，numpy，pandas和xgboost，我们将使用XGBClassifier构建模型。我们将加载数据，获取特征和标签，缩放特征，然后拆分数据集，构建XGBClassifier，然后计算模型的准确性。

检测帕金森氏病的步骤

1、导入必要的库

import numpy as npimport pandas as pdimport os, sysfrom sklearn.preprocessing import MinMaxScalerfrom xgboost import XGBClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score

2、读取数据集

df=pd.read_csv('XGBoost_parkinsonsparkinsons.data')df.head()

3、从数据框(数据集)获取特征和标签。特征是“status”以外的所有列，标签是“status”列中的标签。

features=df.loc[:,df.columns!='status'].values[:,1:]labels=df.loc[:,'status'].values

4、“status”列的值为0和1作为标签；让我们获取0和1的这些标签的计数。

print(labels[labels==1].shape[0], labels[labels==0].shape[0])

数据集中的状态栏中有147个1和48个0。

5、初始化MinMaxScaler并将特征缩放到-1和1之间以对其进行归一化。MinMaxScaler通过将特征缩放到给定范围来变换特征。fit_transform()方法适合数据，然后对其进行转换。我们不需要缩放标签。

scaler=MinMaxScaler((-1,1))x=scaler.fit_transform(features)y=labels

6.现在，将数据集分为训练和测试集，保留20％的数据以进行测试。

x_train，x_test，y_train，y_test = train_test_split (x，y，test_size = 0.2 ，random_state = 7 )

7.初始化XGBClassifier并训练模型。使用eXtreme Gradient Boosting进行分类-使用梯度提升算法 解决现代数据科学问题。它属于ML中的整体学习类别，在该类别中，我们训练和预测使用许多模型来产生一个出色的输出。

model=XGBClassifier()model.fit(x_train,y_train)

8.最后，生成y_pred(x_test的预测值)并计算模型的准确性，并输出显示。

y_pred=model.predict(x_test)print(accuracy_score(y_test, y_pred)*100)

总结

在这个项目中，我们学会了使用各种因素检测个体中帕金森氏病的存在。为此，我们使用了XGBClassifier，并利用sklearn库准备了数据集。这给我们提供了94.87％的准确度，并且我们只使用了很短的代码行数。