原文鏈接：http://tecdat.cn/?p=24973?

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

簡介

世界衛(wèi)生組織估計(jì)全世界每年有 1200 萬人死于心臟病。在美國和其他發(fā)達(dá)國家，一半的死亡是由于心血管疾病。心血管疾病的早期預(yù)后可以幫助決定改變高?；颊叩纳罘绞?，從而減少并發(fā)癥。本研究旨在查明心臟病最相關(guān)/風(fēng)險(xiǎn)因素，并使用機(jī)器學(xué)習(xí)預(yù)測(cè)總體風(fēng)險(xiǎn)。
?

數(shù)據(jù)準(zhǔn)備?

來源

該數(shù)據(jù)集來自對(duì)居民正在進(jìn)行的心血管研究。分類目標(biāo)是預(yù)測(cè)患者未來是否有 10 年患冠心病 (CHD) 的風(fēng)險(xiǎn)。數(shù)據(jù)集提供了患者的信息。它包括超過 4,000 條記錄和 15 個(gè)屬性。

變量

每個(gè)屬性都是一個(gè)潛在的風(fēng)險(xiǎn)因素。有人口、行為和醫(yī)療風(fēng)險(xiǎn)因素。

?人口統(tǒng)計(jì)：
? 性別：男性或女性（標(biāo)量）
? 年齡：患者年齡；（連續(xù) - 盡管記錄的年齡已被截?cái)酁檎麛?shù)，但年齡的概念是連續(xù)的）
行為
? 當(dāng)前吸煙者：患者是否是當(dāng)前吸煙者（標(biāo)量）
? 每天吸煙數(shù)：此人一天內(nèi)平均吸煙的香煙數(shù)量。（可以認(rèn)為是連續(xù)的，因?yàn)橐粋€(gè)人可以擁有任意數(shù)量的香煙，甚至半支香煙。）
? BP Meds：患者是否服用降壓藥（標(biāo)量）
?中風(fēng)：患者之前是否有中風(fēng)（標(biāo)量）
?? Hyp：患者是否患有高血壓（標(biāo)量）
? 糖尿?。夯颊呤欠窕加刑悄虿。?biāo)量）
? Tot Chol：總膽固醇水平（連續(xù)）
? Sys BP：收縮壓（連續(xù)）
? Dia BP：舒張壓（連續(xù)）
? BMI：體重指數(shù)（連續(xù)）
? 心率：心率（連續(xù) - 在醫(yī)學(xué)研究中，心率等變量雖然實(shí)際上是離散的，但由于存在大量可能值而被認(rèn)為是連續(xù)的。）
? 葡萄糖：葡萄糖水平（連續(xù)）
預(yù)測(cè)變量（預(yù)期目標(biāo)）
? 10 年患冠心病 CHD 的風(fēng)險(xiǎn)（二進(jìn)制：“1”表示“是”，“0”表示“否”）

心臟病預(yù)測(cè)

數(shù)據(jù)預(yù)處理

查看和處理缺失值

由上圖可以看出，除了glucose變量，其它變量的缺失比例都低于5%，而glucose變量缺失率超過了10%。對(duì)此的處理策略是保留glucose變量的缺失值，直接刪除其它變量的缺失值。 現(xiàn)在處理glucose的缺失值，

?

填充，排除不重要的變量。至于為什么不選diaBP，主要是后面的相關(guān)性分析中，這兩個(gè)變量會(huì)造成多重共線性。
?

刪除重復(fù)行

查看離群點(diǎn)

totChol: 總膽固醇水平大于240mg/dl已屬于非常高，故刪去水平值為600mg/dl的記錄。 sysBP: 去掉收縮壓為295mg/dl的記錄

由圖像知，glucose和hearRate變量有不顯著的風(fēng)險(xiǎn)

diaBP和sysBP有多重共線性的問題。?

currentsmoker變量可能不顯著，下面進(jìn)入模型部分。

模型

邏輯回歸

?

隨機(jī)森林

這里有患病風(fēng)險(xiǎn)的誤差不降反升，需要探究其中原因

SVM支持向量機(jī)

模型診斷

根據(jù)上面三個(gè)模型的結(jié)果，可以看出預(yù)測(cè)結(jié)果的類別數(shù)量分布非常不均衡

針對(duì)這一現(xiàn)象，需要采取方法平衡數(shù)據(jù)集。

最受歡迎的見解

1.R語言多元Logistic邏輯回歸 應(yīng)用案例

2.面板平滑轉(zhuǎn)移回歸(PSTR)分析案例實(shí)現(xiàn)

3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）

4.R語言泊松Poisson回歸模型分析案例

5.R語言混合效應(yīng)邏輯回歸Logistic模型分析肺癌

6.r語言中對(duì)LASSO回歸，Ridge嶺回歸和Elastic Net模型實(shí)現(xiàn)

7.R語言邏輯回歸、Naive Bayes貝葉斯、決策樹、隨機(jī)森林算法預(yù)測(cè)心臟病

8.python用線性回歸預(yù)測(cè)股票價(jià)格

9.R語言用邏輯回歸、決策樹和隨機(jī)森林對(duì)信貸數(shù)據(jù)集進(jìn)行分類預(yù)測(cè)