原文链接:http://tecdat.cn/?p=24973
简介
世界卫生组织估计全世界每年有 1200 万人死于心脏病。在美国和其他发达国家,一半的死亡是由于心血管疾病。心血管疾病的早期预后可以帮助决定改变高危患者的生活方式,从而减少并发症。本研究旨在查明心脏病最相关/风险因素,并使用机器学习预测总体风险。
数据准备
来源
该数据集(查看文末了解数据获取方式)来自对居民正在进行的心血管研究。分类目标是预测患者未来是否有 10 年患冠心病 (CHD) 的风险。数据集提供了患者的信息。它包括超过 4,000 条记录和 15 个属性。
变量
每个属性都是一个潜在的风险因素。有人口、行为和医疗风险因素。
人口统计:
· 性别:男性或女性(标量)
· 年龄:患者年龄;(连续 - 尽管记录的年龄已被截断为整数,但年龄的概念是连续的)
行为
· 当前吸烟者:患者是否是当前吸烟者(标量)
· 每天吸烟数:此人一天内平均吸烟的香烟数量。(可以认为是连续的,因为一个人可以拥有任意数量的香烟,甚至半支香烟。)
· BP Meds:患者是否服用降压药(标量)
·中风:患者之前是否有中风(标量)
· Hyp:患者是否患有高血压(标量)
· 糖尿病:患者是否患有糖尿病(标量)
· Tot Chol:总胆固醇水平(连续)
· Sys BP:收缩压(连续)
· Dia BP:舒张压(连续)
· BMI:体重指数(连续)
· 心率:心率(连续 - 在医学研究中,心率等变量虽然实际上是离散的,但由于存在大量可能值而被认为是连续的。)
· 葡萄糖:葡萄糖水平(连续)
预测变量(目标)
· 10 年患冠心病 CHD 的风险(二元:“1”表示“是”,“0”表示“否”)
心脏病预测
# 获取数据
rdaa <- read.csv(路径)# 这边可以考虑增加变量收缩压与舒张压之差、描述收缩压、舒张压与高血压等级的变量
# 看数据结构
str(ata)# 考虑增加变量bplevel
raw_data <- sqldf
# 对变量类别进行区分
ra_da <- map
str(ra_da )数据预处理
查看和处理缺失值
# 这里我们使用mice包进行缺失值处理
aggrmatplot由上图可以看出,除了glucose变量,其它变量的缺失比例都低于5%,而glucose变量缺失率超过了10%。对此的处理策略是保留glucose变量的缺失值,直接删除其它变量的缺失值。现在处理glucose的缺失值,
# 处理glucose列
lee_a <- subset & !is.na & !is.na & !is.na & !is.na & !is.na
# 查看glce与其它变量的线性相关性确定mice的填充策略
gcog = glm(lcse ~ .)
smry(glseg)填充,排除不重要的变量。至于为什么不选diaBP,主要是后面的相关性分析中,这两个变量会造成多重共线性。
mice%in% m=5, "pmm", mai = 50, sd=2333, pint= FALSE)
#查看填充结果
smr(mc_od)# 查看原始数据和插补后的数据分布情况
epot(mi_md)sipt(mcod, pch=12)# 填充数据
mi_t <- complete
fir_aa$loe <- miout$guose
sum(is.na(flda))删除重复行
# 查看有无重复行并删除重复行
sum(duplicatedcomd_ata <- comdta\[!duplicated(), \]查看离群点
#查看异常值
gplot(coedta)+geom_boxplot(ae(ftr(1),age))ggplot(copd\_dta)+geom\_boxplot(aes(factor(1cigDy))ggplot(coea)+geom_boxplot(aes(factor(1),ttl))ggplot(colt\_ta)+geom\_boxplot(aes(factor(1),syBP))ggplot(comeaa)+geom_boxplot(aes(factor(1),daP))ggplot()+gem_boxplot(aes(factor(1),BMI))# 查看cigsPerDay
cigs\_sub <- comled\_dta
# 查看totChol,删除异常点
# 查看sysBP, 删除异常点
# 查看BMItotChol: 总胆固醇水平大于240mg/dl已属于非常高,故删去水平值为600mg/dl的记录。sysBP: 去掉收缩压为295mg/dl的记录
# 删除各变量离群点
competedata# 分类型变量列联分析
ggplot+geom_boxplotggplot+geom_boxplot(aes,totChol,fill=TenYerCHD))cometddata %>% fitr %>%
ggplot由图像知,glucose和hearRate变量有不显着的风险
table1=table
chisq.testtable1table2=table
chisq.testtable3=table
chisq.testchisq.testggpairsdiaBP和sysBP有多重共线性的问题。
currentSmoker变量可能不显着,下面进入模型部分。
模型
# 划分数据集
split = sample.split
train = subset逻辑回归
# 逻辑回归模型 - 使用所有变量
fultaog = glm
summary(fulog)fldaog = glm
summary(fuatLg)prdts = predict
glm_le <- tableACCU随机森林
rfoel <- randomForest
# 获得重要性
imprace# 选择重要的因素
rfmdel <- randomForest
# 误差
plot# 获取重要性
ggplot +
geom_bar
geom_text这里有患病风险的误差不降反升,需要探究其中原因
# 绘制分类图像
pred<-predict
pdou_1<-predict #输出概率
table <- table
sum(diag/sum #预测准确率plot(marginSVM支持向量机
# 先进行模型调优
tud <- tune.svm
summary(tud )# 使用turning函数得到最佳参数设置支持向量机
mel.nd <- svm
cost=tuned$
summary(modted)# 调用predict函数基于刚配置好的SVM模型进行类标号的预测:
sm.ne.ed <- predict
sv.tuedtble <- table
sm.ue.tbeacy.s.vm <- sum(diag)/sum模型诊断
根据上面三个模型的结果,可以看出预测结果的类别数量分布非常不均衡
sumsum(TeYaHD == 0)针对这一现象,需要采取方法平衡数据集。
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。