Python数据挖掘 | 实战案例之预测糖尿病

  今天给大家讲解一个实战案例：如何根据现有数据预测糖尿病。在这个案例开始之前，希望大家回忆一下大学里讲过的线性回归的知识，这是数据挖掘里非常重要的一部分知识。当然，鉴于大家都学过，本篇就不再赘述。

一. 数据集介绍diabetes dataset数据集

   这是一个糖尿病的数据集，主要包括442行数据，10个属性值，分别是：Age(年龄)、性别(Sex)、Body mass index(体质指数)、Average Blood Pressure(平均血压)、S1~S6一年后疾病级数指标。Target为一年后患疾病的定量指标。

输出如下所示：

二、LinearRegression使用方法

        LinearRegression模型在Sklearn.linear_model下，它主要是通过fit(x,y)的方法来训练模型，其中x为数据的属性，y为所属类型。

sklearn中引用回归模型的代码如下：

输出的函数原型如下所示：

        fit(x, y): 训练。分析模型参数，填充数据集。其中x为特征，y位标记或类属性。

        predict(): 预测。它通过fit()算出的模型参数构成的模型，对解释变量进行预测其类属性。预测方法将返回预测值y_pred。

引用搬砖小工053"大神的例子：

      运行结果如下所示，首先输出数据集，同时调用sklearn包中的LinearRegression()回归函数，fit(X, Y)载入数据集进行训练，然后通过predict()预测数据12尺寸的匹萨价格，最后定义X2数组，预测它的价格。

输出的图形如下所示：

        线性模型的回归系数W会保存在他的coef_方法中，截距保存在intercept_中。score(X,y,sample_weight=None) 评分函数，返回一个小于1的得分，可能会小于0。

三、线性回归判断糖尿病

  1.Diabetes数据集（糖尿病数据集）

        糖尿病数据集包含442个患者的10个生理特征（年龄，性别、体重、血压）和一年以后疾病级数指标。

        然后载入数据，同时将diabetes糖尿病数据集分为测试数据和训练数据，其中测试数据为最后20行，训练数据从0到-20行（不包含最后20行），即diabetes.data[:-20]。

        输出结果如下所示，可以看到442个数据划分为422行进行训练回归模型，20行数据用于预测。输出的diabetes_x_test共20行数据，每行仅一个特征。

2.完整代码

        改代码的任务是从生理特征预测疾病级数，但仅获取了一维特征，即一元线性回归。【线性回归】的最简单形式给数据集拟合一个线性模型，主要是通过调整一系列的参以使得模型的残差平方和尽量小。

线性模型：y = βX+b

        X:数据 y：目标变量 β：回归系数 b:观测噪声（bias，偏差）

        运行结果如下所示，包括系数、残差平方和、方差分数。

        绘制图形如下所示，每个点表示真实的值，而直线表示预测的结果，比较接近吧。

        同时绘制图形时，想去掉坐标具体的值，可增加如下代码：

四、优化代码

        下面是优化后的代码，增加了斜率、 截距的计算，同时增加了点图到线性方程的距离，保存图片设置像素。

运行结果如下所示：

绘制图形如下所示：