全文链接:https://tecdat.cn/?p=33760
原文出处：拓端数据部落公众号
概述：
众所周知，心脏疾病是目前全球最主要的死因。开发一个能够预测患者心脏疾病存在的计算系统将显著降低死亡率并大幅降低医疗保健成本。机器学习在全球许多领域中被广泛应用，尤其在医疗行业中越来越受欢迎。机器学习可以在预测关键疾病（例如心脏病）的存在或不存在方面发挥重要作用。
如果能提前准确预测这些信息，可以为医生提供重要见解，从而能够相应并有效地进行患者治疗。以下演示了对流行的心脏疾病数据库进行的探索性数据分析。除此之外，还使用不同方法（如逻辑回归、随机森林和神经网络）进行心脏病预测。
数据集：数据集包含76个属性，但建议我们只使用其中的14个进行分析。在本文中，使用一个合并的数据集构建分类器，并使用交叉验证技术进行性能评估。
特征：
- Age：年龄（以年为单位）。
- Gender：性别，1表示男性，0表示女性。
- Cp：胸痛类型，取值1：典型心绞痛，取值2：非典型心绞痛，取值3：非心绞痛疼痛，取值4：无症状。
- Trestbps：静息血压（以毫米汞柱为单位）。
- Chol：血清胆固醇（以毫克/分升为单位）。
- Fbs：空腹血糖 > 120 mg/dl，1表示真，0表示假。
- Restecg：静息心电图结果，取值0：正常，取值1：ST-T波异常，取值2：根据Estes标准显示可能或明确的左室肥厚。
- Thalach：达到的最高心率（每分钟心跳数）。
- Exang：运动诱发心绞痛，1表示是，0表示否。
- Oldpeak：相对于休息引起的ST段压低。
- Slope：峰值运动ST段的斜率，取值1：上坡，取值2：平坦，取值3：下坡。
- Ca：血管数量（0-3）。
- Thal：3 = 正常；6 = 固定缺陷；7 = 可逆性缺陷。
- Target：两个类别，因此是一个二分类问题。
目标：预测一个人是否患有心脏疾病。
读取数据集并检查是否有缺失值
head(heartDiseaseData)
sum(is.na(heartDiseaseData))## [1] 0colnames(heartDiseaseData)[1]<-"age"
str(heartDiseaseData)
数据预处理
heartDiseaseData$cp<-as.factor(heartDiseaseData$cp)
levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==0] <- "Chest Pain Type 0"
levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==1] <- "Chest Pain Type 1"
levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==2] <- "Chest Pain Type 2"
levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==3] <- "Chest Pain Type 3"
...
检查缺失值
sum(is.na(heartDiseaseData))## [1] 0数据摘要
summary(heartDiseaseData)
健康人和心脏病患者的观测总数。
ggplot(heartDiseaseData,aes(t...
女性心脏病的发病率高于男性
ggplot(heartDiseaseData,aes(target, fill=target)) +
...
可以观察到，健康人和患有心脏病的人的 Rest ECG 分布没有明显差异。
ggplot(heartDiseaseData,aes(trestbps, fill=target)) +
geom_histogram(aes(y=..density..),breaks=seq(90, 200, by=10), ...
可以观察到心脏病在各个年龄段均匀分布。此外，患者的中位年龄为56岁，最年轻和最年长的患者分别为29岁和77岁。可以从图表中观察到，患有心脏病的人的中位年龄小于健康人。此外，患心脏病的患者的分布略微倾斜。因此，我们可以将年龄作为一个预测特征。
ggplot(heartDiseaseData,aes(age, fill=target)) + ...
ggplot(heartDiseaseData,aes(x=target, y=age, fill=target)) +
...
此外，患有心脏病的人通常具有比健康人更高的最高心率。
ggplot(heartDiseaseData,aes(thalach, fill=target)) +
...
ggtitle("Max Heart Rate Histogram")
此外，可以观察到大多数患有心脏病的人其血清胆固醇在200-300 mg/dl范围内。
ggplot(heartDiseaseData,aes(chol, fill=target)) +
...
大多数心脏病患者的ST段压低为0.1。
ggplot(heartDiseaseData,aes(oldpeak, fill=target)) +
geom_histogram(aes(y=..density..),breaks=seq(0, 7, by=0.1), ...
大多数拥有0个主要血管的人患有心脏病。
ggplot(heartDiseaseData,aes(ca, fill=target)) +
geom_histogram(aes(y=..density..),breaks=seq(0, 5, by=1), ...
大多数患有心脏病的人胸痛类型为1或2。
ggplot(heartDiseaseData,aes(target, fill=target)) +
...
空腹血糖没有明显差异。
ggplot(heartDiseaseData,aes(target, fill=target)) +
...
拥有静息心电图异常类型1的人患心脏病的可能性较高。
ggplot(heartDiseaseData,aes(target, fill=target)) +
...
没有运动诱发性心绞痛的人患心脏病的可能性较高。
ggplot(heartDiseaseData,aes(target, fill=target)) +
...
scale_fill_manual(values=c("#97BE11","#DC1E0B"))
具有最高斜率2的人患心脏病的可能性更高
ggplot(heartDiseaseData, aes(target, fill=target)) +
...
scale_fill_manual(values=c("#97BE11", "#DC1E0B"))
具有固定缺陷地中海贫血的人患心脏病的可能性更高
ggplot(heartDiseaseData,aes(target, fill=target)) +
...
scale_fill_manual(values=c("#97BE11","#DC1E0B"))
可以观察到仅有少数参数，如胸痛类型、性别、运动诱发心绞痛、血管数量和ST段压低，对结果有显著影响。因此，可以舍弃其他参数。
log <- glm(...
显著特征的总结
d <- heartDiseaseDa...
逻辑回归
log <- glm(...=binomial)
summary(log)
log.df <- tidy...观察表明，如果个体患有2型或3型胸痛，患心脏病的可能性更高。随着血管数量、运动诱发心绞痛、ST段压低和男性性别数值的增加，患心脏病的可能性较低。
log.df %>%
mutate(term=reorder(term,estimate)) %>%
...
geom_hline(yintercept=0) +
coord_flip()
随着ST段压低值的增加，患心脏病的可能性降低。随着血管数量的增加，女性患心脏病的可能性降低，而男性的可能性增加。
逻辑回归
data <- d
set.seed(1237)
train <- sample(nrow(data), .8*nrow(data), replace = FALSE)
...
#调整参数
fitControl <- trainControl(method = "repeatedcv",
...
TrainSet$target <- as.factor(TrainSet$target)gbm.ada.1 <- caret::train(target ~ .,
...
metric="ROC")
gbm.ada.1
ST段压低是最重要的特征，其次是胸痛类型2等等。
varImp(gbm.ada.1)
pred <- predict(gbm.ada.1,ValidSet)
....
res<-caret::confusionMatrix(t...
混淆矩阵
ggplot(data = t.df, aes(x = Var2, y = pred, label=Freq)) +
...
ggtitle("Logistic Regression")
随机森林
gbm.ada.1 <- caret::train(target ~ .,
...
metric="ROC")
gbm.ada.1
变量重要性
varImp(gbm.ada.1)
pred <- predict(gbm.ada.1,ValidSet)
...
res<-caret::confusionMatrix(t, positive="Heart Disease")
res
混淆矩阵
ggplot(data = t.df, aes(x = Var1, y = pred, label=Freq)) +
...
ggtitle("Random Forest")
绘制决策树
gbmGrid <- expand.grid(cp=c(0.01))
fitControl <- trainControl(method = "repeatedcv",
...
summaryFunction = twoClassSummary)
d$target<-make.names(d$target)
system.time(gbm.ada.1 <- caret::train(target ~ .,
...
tuneGrid=gbmGrid))gbm.ada.1
varImp(gbm.ada.1)
rpart.plot(gbm.ada.1$finalModel,
...
nn=TRUE)
神经网络
fitControl <- trainControl(method = "repeatedcv",
...
summaryFunction = twoClassSummary)
gbm.ada.1 <- caret::train(target ~ .,
...
metric="ROC")
gbm.ada.1
变量重要性
varImp(gbm.ada.1)
pred <- predict(gbm.ada.1,ValidSet)
...
res<-caret::confusionMa...
混淆矩阵
混淆矩阵（Confusion Matrix）是用于评估分类模型性能的一种表格。它以四个不同的指标来总结模型对样本的分类结果：真阳性（True Positive, TP）、真阴性（True Negative, TN）、假阳性（False Positive, FP）和假阴性（False Negative, FN）。
ggplot(data = t.df, aes(x = Var1, y = pred, label=Freq)) +
...
ggtitle("Neural Network")
最受欢迎的见解
1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
3.python中使用scikit-learn和pandas决策树
7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用