第12章 實戰(zhàn)案例-乳腺癌數(shù)據(jù)分析與預測

主講人：***第12章乳腺癌數(shù)據(jù)分析與預測13-10月-23Python數(shù)據(jù)分析與數(shù)據(jù)挖掘目錄contents案例背景0102數(shù)據(jù)加載和預處理03探索性數(shù)據(jù)分析04分類模型05提升預測準確率的策略案例背景0112.1案例背景

乳腺癌BC（Breastcancer）是全球女性中最常見的癌癥之一，已成為當今社會重要的公共衛(wèi)生問題。全球乳腺癌發(fā)病率自20世紀70年代末開始一直呈上升趨勢。據(jù)國家癌癥中心和衛(wèi)計委疾病預防控制局2012年公布的2009年乳腺癌發(fā)病數(shù)據(jù)顯示：全國腫瘤登記地區(qū)乳腺癌發(fā)病率位居女性惡性腫瘤的第1位，女性乳腺癌發(fā)病率（粗率）全國合計為42.55/10萬，城市為51.91/10萬，農村為23.12/10萬。

BC的早期診斷可以促進對患者的及時臨床治療，顯著改善預后和生存機會。良性腫瘤的進一步準確分類可以防止患者接受不必要的治療。因此，對BC的正確診斷以及將患者分為惡性或良性組的分類是許多研究的主題。12.1案例背景本例對美國威斯康星州乳腺癌診斷數(shù)據(jù)集進行分析，并通過構建模型，預測腫瘤是良性還是惡性。方法一：從kaggle的官網下載BreastCancerWisconsin(Diagnostic)數(shù)據(jù)集/uciml/breast-cancer-wisconsin-data方法二：從UCI機器學習庫中獲取/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29數(shù)據(jù)下載：12.1案例背景

數(shù)據(jù)集中的一共有569條數(shù)據(jù)，其中乳腺結果診斷為良性的有357條，診斷為惡性的有212條。屬性特征：1、ID號2、乳腺組織的診斷結果（M=malignan惡性，B=benign良性）3、為每個細胞核計算的十個實值特征：（1）半徑（從中心到周邊點的距離的平均值）；（2）紋理（灰度值的標準偏差）；（3）周邊；（4）面積；（5）平滑度（半徑長度的局部變化）；（6）緊密度（周長^2/面積-1.0）；（7）凹度（輪廓的凹入部分的嚴重程度）；（8）凹點（輪廓的凹入部分的數(shù)量）；（9）對稱性；（10）分形維數(shù)（“海岸線近似”-1）。本案例的目的是要用細胞核的實值特征來預測乳腺組織的診斷結果。數(shù)據(jù)加載和預處理0212.2數(shù)據(jù)加載和預處理1、加載需要的庫及讀入數(shù)據(jù)12.2數(shù)據(jù)加載和預處理2、數(shù)據(jù)信息初步分析結果：數(shù)據(jù)中的第1列是編號ID，第2列是診斷結果列，最后一列Unnamed:32中全部為空值，應該被刪除。剩下的第3列至32列為每個細胞核的特征（共30列）2、數(shù)據(jù)信息初步分析結果：數(shù)據(jù)集中共有569行，33列。除了診斷特征diagnosis（即M=惡性或B=良性）之外，所有其他特征都是float64類型，除了特征Unnamed:32中全為空值以外，其他特征沒有空值。12.2數(shù)據(jù)加載和預處理12.2數(shù)據(jù)加載和預處理3、數(shù)據(jù)預處理

(1)數(shù)據(jù)集中有一個全為空值的列Unnamed:32,此外，id列為編號，對預測腫瘤是否為惡性不起作用。因此我們將使用下面的代碼對數(shù)據(jù)進行處理，定義要預測的結果列Y，和用來進行預測的特征列集合X，并刪除id和Unnamed:32整列。 (2)為了簡化處理，我們將要預測的目標列--診斷特征diagnosis列映射為數(shù)值型0和1，其中M=惡性映射為1，B=良性映射為0 (3)數(shù)據(jù)集中用來預測診斷特征diagnosis的其他列，即[radius_mean…fractal_dimension_worst]的3-32列，為每個細胞核計算的十個實值特征，這30個特征為取值范圍不同、均值和標準差不同的屬性，我們可以對其進行標準化或規(guī)范化，使其滿足在相同的數(shù)據(jù)區(qū)間或滿足高斯分布12.2數(shù)據(jù)加載和預處理12.2數(shù)據(jù)加載和預處理探索性數(shù)據(jù)分析0312.3.1診斷結果列的分布

數(shù)據(jù)集中腫瘤診斷結果diagnosis列有B（良性）或M（惡性）兩種取值，良性用0表示，惡性用1表示。

首先，檢查一下每個類別中有分別多少條病例，以及每種結果所占的百分比。數(shù)據(jù)集中共有診斷結果為良性的數(shù)據(jù)357條，惡性的數(shù)據(jù)212條其次，對分組統(tǒng)計的結果進行可視化展示。12.3.1診斷結果列的分布還可以查看每類數(shù)據(jù)所占的百分比并進行可視化展示。

良性數(shù)據(jù)占62.74%，惡性數(shù)據(jù)占37.26%，惡性診斷結果所占比例較高。本例中的數(shù)據(jù)集不代表典型的醫(yī)療數(shù)據(jù)分布。通常情況下，醫(yī)療數(shù)據(jù)中會有比較多的結果為陰性的病例，而只有少數(shù)代表陽性（惡性）腫瘤的病例。12.3.1診斷結果列的分布12.3.2數(shù)據(jù)分布的可視化分析

獲取了數(shù)據(jù)集的基本信息后，我們是否需要在對數(shù)據(jù)可視化、特征選擇、特征提取或分類之前，對數(shù)據(jù)進行標準化或規(guī)范化處理嗎？要回答類似的問題，我們還需了解各個特征的數(shù)據(jù)具體情況，例如數(shù)據(jù)的方差，標準偏差，樣本數(shù)（計數(shù)）或者最大、最小值等，掌握這些信息有助于我們更加深入的理解數(shù)據(jù)。1、數(shù)據(jù)分布（直方圖）

直方圖是表示每個值的頻率的圖，頻率指每個值在數(shù)據(jù)集中出現(xiàn)多少次，這種描述稱為變量的分布。直方圖是最常見的表示變量分布的方法。

我們可以用語句：df.hist(‘radius_mean’)或df.radius_mean.hist()這樣一行簡單的代碼，就能繪制出某一列中的值的分布直方圖。12.3.2數(shù)據(jù)分布的可視化分析1、數(shù)據(jù)分布（直方圖）【結果】：大部分診斷結果為良性的數(shù)據(jù)radius_mean列的值比15小，而診斷結果為惡性的數(shù)據(jù)radius_mean列的值比15大。查看良性和惡性的數(shù)據(jù)在radius_mean列上的數(shù)據(jù)分布情況12.3.2數(shù)據(jù)分布的可視化分析1、數(shù)據(jù)分布（直方圖）繪制出所有數(shù)值型列的數(shù)據(jù)分布直方圖：df.hist(figsize=(20,15))12.3.2數(shù)據(jù)分布的可視化分析2、散點圖

散點圖通過用兩組數(shù)據(jù)序列構成的多個坐標點，來考察坐標點的分布，來判斷兩個變量之間是否存在某種關聯(lián)，或分析坐標點的分布模式。散點圖將序列顯示為一組點，值由點在圖表中的位置表示。散點圖通常用于比較跨類別的聚合數(shù)據(jù)，類別由圖表中的不同標記表示?！纠恳詒adius_mean為橫軸，texture_mean為縱軸，以散點圖顯示了良性和惡性數(shù)據(jù)的分布情況【結論】惡性腫瘤的radius_mean和texture_mean值均偏大，而良性腫瘤的radius_mean和texture_mean值偏小。12.3.2數(shù)據(jù)分布的可視化分析3、異常值檢測（箱圖）

錯誤值或異常值可能是一個嚴重的問題，它們通常會造成測量誤差或異常系統(tǒng)條件的結果，不具有描述底層系統(tǒng)的特征。因此，最佳做法是在進行下一步分析之前，就應該進行異常值去除處理。我們采用箱圖進行異常點監(jiān)測的可視化

為了方便在圖上觀察，首先我們可以對數(shù)據(jù)進行規(guī)范化或標準化，即將數(shù)據(jù)按比例縮放，使之落入一個小的特定區(qū)間。 【例】使用df1.loc[:,['radius_mean']].boxplot()繪制單一特征的箱圖或df1.iloc[:,1:6].boxplot()繪制多個特征的線圖。12.3.2數(shù)據(jù)分布的可視化分析3、異常值檢測（箱圖） 【例】按診斷結果的不同為各個特征做出異常值檢測的箱圖。下例中為前10個特征的異常檢測箱圖。12.3.3相關性分析

相關性是常用的統(tǒng)計術語，指的是兩個變量之間的關聯(lián)程度。兩個變量間通?？梢杂腥缦氯N關系之一：正相關、負相關和不相關。如果一個變量高的值對應于另一個變量高的值，低的值對應低的值，那么這兩個變量正相關。反之，如果一個變量高的值對應于另一個變量低的值，那么這兩個變量負相關。如果兩個變量間沒有關系，即一個變量的變化對另一變量沒有明顯影響，那么這兩個變量不相關。

具有高相關性的特征更具線性依賴性，因此對因變量的影響幾乎相同。因此，當兩個特征具有高相關性時，我們可以刪除其中一個特征。12.3.3相關性分析1、jointplot圖

【例】查看特征concavity_worst與特征concavepoints_worst之間的相關性 【結果】pearson相關性結果為0.86，表示這兩個特征的相關性較高12.3.3相關性分析2、生成相關性矩陣12.3.3相關性分析3、生成相關性熱度圖分類模型0412.4.1

LogisticRegression模型

我們首先導入需要的庫并讀入數(shù)據(jù)，將數(shù)據(jù)分成訓練集和測試集，構建K近鄰模型，并進行分類，輸出模型的準確率、精度和召回率等幾個評價指標。導入需要的庫并讀入數(shù)據(jù)12.4.1

LogisticRegression模型(2) 將數(shù)據(jù)分成訓練集和測試集數(shù)據(jù)分成70%的訓練集和30%的測試集，輸出訓練集和測試集的shape。12.4.1

LogisticRegression模型(3) 構建模型進行分類

用訓練數(shù)據(jù)x_train和y_train訓練數(shù)模型，并用訓練好的模型model_1對x_test進行預測，結果為y_pred。輸出模型的準確率、精度和召回率等幾個評價指標。12.4.2決策樹模型12.4.3SVM模型提升預測準確率的策略0512.5.1數(shù)據(jù)標準化或規(guī)范化

我們可以在建立模型前，首先對數(shù)據(jù)進行標準化或規(guī)范化，使得特征的范圍具有可比性。它是數(shù)據(jù)處理的預處理處理，對后面的使用數(shù)據(jù)具有關鍵作用。

常用的數(shù)據(jù)標準化和規(guī)范化的方法：標準化：一種有用的技術，可將具有高斯分布，均值和標準差不同的屬性轉換為平均值為0和標準差為1的標準高斯分布。規(guī)范化：在scikit-learn中進行規(guī)范化是指將每個觀察值（行）重新縮放為長度為1（在線性代數(shù)中稱為單位范數(shù)或長度為1的向量）。二值化：將所有高于閾值的值都標記為1，所有等于或低于閾值的值都標記為0。12.5.1數(shù)據(jù)標準化或規(guī)范化【例】我們采用sklearn中的StandardScaler開展，并在LogisticRegression算法上對比縮放前后預測準確率。使用數(shù)據(jù)轉換將提高模型的準確性，在Logistic回歸算法中我們有效提升了預測的準確度。12.5.2特征選擇1、使用SelectKBest進行特征選

在單變量特征選擇中，我們將使用SelectKBest來刪除除k個最高得分特征之外的所有特征。在這種方法中，我們需要選擇我們將使用多少特征。例如，k（特征數(shù)）應該設置為5還是10、或者是15？我們可以設置不同的值來進行嘗試，我們可以試著將k設置為5來找到最好的5個特征。12.5.2特征選擇2、使用RFE進行特征選擇 RFE遞歸特征消除的主要思想是反復的構建模型（如SVM或者回歸模型）然后選出最好的（或者最差的）的特征（可以根據(jù)系數(shù)來選），把選出來的特征放到一邊，然后再剩余的特征上重復這個過程，直到所有特征都遍歷了。這個過程中特征被消除的次序就是特征的排序。

RFE自身的特性使得我們可以比較好的進行手動的特征選擇，但是同樣的也存在原模型在去除特征后的數(shù)據(jù)集上的性能表現(xiàn)要差于原數(shù)據(jù)集。12.5.2特征選擇2、使用RFE進行特征選擇12.5.2特征選擇3、使用RFECV進行特征選擇 RFE通過學習器返回的coef_屬性

或者feature_importances_屬性來獲得每個特征的重要程度。

然后，從當前的特征集合中移除最不重要的特征。在特征集合上不斷地重復遞歸這個步驟，直到最終達到所需要的特征數(shù)量為止。 RFECV通過交叉驗證來找到最優(yōu)的特征數(shù)量。如果減少特征會造成性能損失，那么將不會去除任何特征。這個方法用以選取單模型特征相當不錯，但是有兩個缺陷，一是計算量大；二是隨著學習器（評估器）的改變，最佳特征組合也會改變，有些時候會造成不利影響。12.5.2特征選擇