python k-近邻算法 案例实战 预测Pima 印度安人的糖尿病

前言

一、目的和要求
理解k-近邻算法的原理，掌握k-近邻算法的应用开发。

二、主要内容
实例：糖尿病预测
任务：预测Pima 印度安人的糖尿病
数据来源：

1. ​​https://www.kaggle.com/uciml/pima-indians-diabetes-database​​
2. 在实验1文件夹里，pima-indians-diabetes

import pandas as pd
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import accuracy_score,precision_score, \
recall_score,f1_score,cohen_kappa_score
from collections import Counter
from sklearn.metrics import roc_curve,auc

data = pd.read_csv('./diabetes.csv')

数据探索

data.head()

数据说明

• Pregnancies : 怀孕次数
• Glucose : 口服葡萄糖耐量测试中2小时的血浆葡萄糖浓度
• BloodPressure : 舒张压（毫米汞柱）
• SkinThickness : 三头肌皮肤褶皱厚度（毫米）
• Insulin : 2小时血清胰岛素（mu U / ml）
• BMI : 体重指数（体重（kg）/（身高（m））^ 2）
• DiabetesPedigreeFunction : 糖尿病谱系功能
• Age : 年龄
• Outcome : 结果

data.describe()

data.shape

(768, 9)

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 768 entries, 0 to 767
Data columns (total 9 columns):
 #   Column                    Non-Null Count  Dtype  
---  ------                    --------------  -----  
 0   Pregnancies               768 non-null    int64  
 1   Glucose                   768 non-null    int64  
 2   BloodPressure             768 non-null    int64  
 3   SkinThickness             768 non-null    int64  
 4   Insulin                   768 non-null    int64  
 5   BMI                       768 non-null    float64
 6   DiabetesPedigreeFunction  768 non-null    float64
 7   Age                       768 non-null    int64  
 8   Outcome                   768 non-null    int64  
dtypes: float64(2), int64(7)
memory usage: 54.1 KB

data['Outcome'].value_counts()

0    500
1    268
Name: Outcome, dtype: int64

小结

• 1.数据没有缺失值
• 2.数据类别没有不平衡的问题,数据非常好!!,一点不脏,不过这里做的是k-近邻算法
• 3.是二分类问题

模型构建

数据标准化

new_data = data.drop([ 'Outcome'], axis=1)
scale = MinMaxScaler().fit(new_data)## 训练规则
biao_data = scale.transform(new_data) ## 应用规则

划分训练集和测试集

X_train,X_test,y_train,y_test = train_test_split(biao_data,data['Outcome'],test_size=0.2,random_state=123)

# 模型训练
k = 5
clf = KNeighborsClassifier(n_neighbors=k)
clf.fit(X_train, y_train)

KNeighborsClassifier()

y_pred = clf.predict(X_test)

模型评估

fpr,tpr,threshold = roc_curve(y_test, y_pred)
print('数据的AUC为:',auc(fpr,tpr))
print('数据的准确率为：',accuracy_score(y_test,y_pred))
print('数据的精确率为：',precision_score(y_test,y_pred))
print('数据的召回率为：',recall_score(y_test,y_pred))
print('数据的F1值为：',f1_score(y_test,y_pred))
print('数据的Cohen’s Kappa系数为：',cohen_kappa_score(y_test,y_pred))
print('Counter:',Counter(y_pred))

数据的AUC为: 0.7634698275862069
数据的准确率为： 0.7987012987012987
数据的精确率为： 0.8
数据的召回率为： 0.6206896551724138
数据的F1值为： 0.6990291262135923
数据的Cohen’s Kappa系数为： 0.5514001127607593
Counter: Counter({0: 109, 1: 45})

参考

• ​​https://zhuanlan.zhihu.com/p/25994179​​
• 
  
• ​​https://zhuanlan.zhihu.com/p/122195108​​