297 KiB
297 KiB
бизнес-цели и 2 задачи, которые нужно решить:
Снижение вероятности инсульта у пациентов с высоким риском путем раннего выявления предрасположенности.
Оптимизация медицинских услуг, предоставляемых пациентам, с учетом их риска инсульта.
Разработать модель, которая прогнозирует вероятность инсульта у пациента.
Определить значимые признаки для анализа риска инсульта, чтобы направить усилия медицинских работников на важные факторы.
In [330]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# Загрузка данных
data = pd.read_csv('./csv/option4.csv')
# Обзор данных
print("Количество колонок:", data.columns.size)
print("Колонки:", data.columns)
In [331]:
print("\nНаличие пропущенных значений:")
print(data.isnull().sum())
print("\n\n")
print(data.describe)
Возьмем и заменим нулевые значения в столбце bmi на средние значения по столбцу
In [332]:
data['bmi'] = data['bmi'].fillna(data['bmi'].median())
print("\nНаличие пропущенных значений:")
print(data.isnull().sum())
Взглянем на выбросы:
In [333]:
def plot_numeric_boxplots(dataframe):
# Фильтрация числовых столбцов
numeric_columns = ['age', 'avg_glucose_level', 'bmi']
# Построение графиков
if numeric_columns:
plt.figure(figsize=(15, 5))
for i, col in enumerate(numeric_columns):
if col != 'id':
plt.subplot(1, len(numeric_columns), i + 1)
sns.boxplot(y=dataframe[col])
plt.title(f'{col}')
plt.ylabel('')
plt.xlabel(col)
plt.tight_layout()
plt.show()
else:
print("Нет подходящих числовых столбцов для построения графиков.")
plot_numeric_boxplots(data)
Видим выбросы в столбцах со средним уровнем глюкозы и в столбце bmi (индекс массы тела). устраним выбросы - поставим верхние и нижние границы
In [334]:
def remove_outliers(df):
numeric_columns = ['age', 'avg_glucose_level', 'bmi']
for column in numeric_columns:
Q1 = df[column].quantile(0.25)
Q3 = df[column].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
df[column] = df[column].apply(lambda x: lower_bound if x < lower_bound else upper_bound if x > upper_bound else x)
return df
data = remove_outliers(data)
plot_numeric_boxplots(data)
Теперь можно и к конструированию признаков приступить) данные ведь сбалансированы (в выборках)
Унитарное кодирование категориальных признаков
Применяем к категориальным (НЕ числовым) признакам: 'gender', 'ever_married', 'work_type', 'Residence_type', 'smoking_status'
In [335]:
# One-Hot Encoding
categorical_columns = ['gender', 'ever_married', 'work_type', 'Residence_type', 'smoking_status']
data_edit_categories = pd.get_dummies(data, columns=categorical_columns, drop_first=True)
print("Данные после унитарного кодирования:")
data_edit_categories.head(10)
Out[335]:
Дискретизация числовых признаков
Числовые признаки, такие как 'age', 'avg_glucose_level', 'bmi', можно разделить на категории (биннинг).
In [336]:
# data_edit_categories['age_bins'] = pd.cut(data_edit_categories['age'], bins=[0, 18, 30, 50, 100], labels=['ребенок', 'молодой', 'средний', 'пожилой'])
# data_edit_categories['bmi_bins'] = pd.cut(data_edit_categories['bmi'], bins=[0, 18.5, 25, 30, 50], labels=['низкий', 'норма', 'избыток', 'ожирение'])
# print("Данные после дискретизации:")
# data_edit_categories[['age_bins', 'bmi_bins']].head(10)
Ручной синтез новых признаков
In [337]:
data_edit_categories['age_glucose_index'] = data_edit_categories['age'] * data_edit_categories['avg_glucose_level']
data_edit_categories['bmi_glucose_ratio'] = data_edit_categories['bmi'] / data_edit_categories['avg_glucose_level']
print("Данные после синтеза новых признаков:")
data_edit_categories[['age_glucose_index', 'bmi_glucose_ratio']].head(10)
Out[337]:
Масштабирование признаков
Применяем нормализацию (для сжатия в диапазон [0, 1]) и стандартизацию (для приведения к среднему 0 и стандартному отклонению 1)
In [338]:
import pandas as pd
from sklearn.preprocessing import MinMaxScaler, StandardScaler
scaler = MinMaxScaler()
standardizer = StandardScaler()
# Нормализация
data_edit_categories[['age', 'avg_glucose_level', 'bmi']] = scaler.fit_transform(data_edit_categories[['age', 'avg_glucose_level', 'bmi']])
print("Данные после нормализации:\n")
data_edit_categories
# # Стандартизация
# X_encoded[['age', 'avg_glucose_level', 'bmi']] = standardizer.fit_transform(X_encoded[['age', 'avg_glucose_level', 'bmi']])
# print("Данные после стандартизации:\n", X_encoded.head(10))
Out[338]:
Конструирование признаков с применением фреймворка Featuretools
In [339]:
import featuretools as ft
print("Столбцы в data:", data.columns.tolist())
print(data.isnull().sum())
# Создание EntitySet (основная структура для Featuretools)
entity = ft.EntitySet(id="stroke_prediction")
entity = entity.add_dataframe(
dataframe_name="data",
dataframe=data,
index="id",
)
# Генерация новых признаков
feature_matrix, feature_defs = ft.dfs(
entityset=entity,
target_dataframe_name="data", # Основная таблица
max_depth=2 # Уровень вложенности
)
print("Сгенерированные признаки:")
print(feature_matrix.head())
# Сохранение результатов
feature_matrix.to_csv("./csv/generated_features_copy.csv", index=False)
feature_matrix
Out[339]:
In [ ]:
Так, теперь разобьем на выборки
In [340]:
from sklearn.model_selection import train_test_split
# Определение признаков и целевой переменной
# data_edit_categories = pd.read_csv('./csv/generated_features_copy.csv')
X = data_edit_categories.drop(columns=['id', 'stroke'])
y = data_edit_categories['stroke']
# Обучающая выборка
X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.2, random_state=None, stratify=y)
# Тестовая и контрольная выборки
X_test, X_control, y_test, y_control = train_test_split(X_temp, y_temp, test_size=0.5, random_state=None, stratify=y_temp)
print("\nРазмеры выборок:")
print(f"Обучающая выборка: {X_train.shape}")
print(f"Тестовая выборка: {X_test.shape}")
print(f"Контрольная выборка: {X_control.shape}")
data_edit_categories
Out[340]:
In [341]:
import seaborn as sns
import matplotlib.pyplot as plt
# Подсчет количества объектов каждого класса
class_counts = y.value_counts()
print(class_counts)
# Визуализация
sns.barplot(x=class_counts.index, y=class_counts.values)
plt.title("Распределение классов (stroke)")
plt.xlabel("Класс")
plt.ylabel("Количество")
plt.show()
Напишем функцию и сделаем аугментацию данных
In [342]:
from imblearn.over_sampling import RandomOverSampler
from imblearn.under_sampling import RandomUnderSampler
def over_under_sampling(x_selection, y_selection):
# сначала увеличение меньшинства
oversampler = RandomOverSampler(sampling_strategy=0.2, random_state=42)
x_over, y_over = oversampler.fit_resample(x_selection, y_selection)
print("\nПосле оверсемплинга\n")
print(y_over.value_counts())
# потом уменьшение большинства
undersampler = RandomUnderSampler(sampling_strategy=1.0, random_state=42)
x_balanced, y_balanced = undersampler.fit_resample(x_over, y_over)
print("\nПосле балансировки данных (андерсемплинга)\n")
print(y_balanced.value_counts())
plt.pie(
y_balanced.value_counts(),
labels=class_counts.index, # Метки классов (0 и 1)
autopct='%1.1f%%', # Отображение процентов
colors=['lightgreen', 'lightcoral'], # Цвета для классов
startangle=45, # Поворот диаграммы
explode=(0, 0.05) # Небольшое смещение для класса 1
)
plt.title("Распределение классов (stroke)")
plt.show()
return x_balanced, y_balanced
print("Данные ДО аугментации в ОБУЧАЮЩЕЙ ВЫБОРКЕ (60-80% данных)\n")
print(y_train.value_counts())
X_train, y_train = over_under_sampling(X_train, y_train)
X_train
# print("Данные ДО аугментации в ТЕСТОВОЙ ВЫБОРКЕ (10-20% данных)\n")
# print(y_test.value_counts())
# over_under_sampling(X_test, y_test)
Out[342]:
Самое время оценить качество работы модели
In [343]:
import time
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score, f1_score, confusion_matrix, classification_report
# Разделение данных на обучающую и тестовую выборки
# X = data.drop(columns=['id', 'stroke']) # Признаки
# y = data['stroke'] # Целевая переменная
# # Преобразование категориальных признаков с помощью One-Hot Encoding
# categorical_columns = ['gender', 'ever_married', 'work_type', 'Residence_type', 'smoking_status']
# X = pd.get_dummies(X, columns=categorical_columns, drop_first=True)
# # Заполнение пропущенных значений (например, медианой для числовых данных)
# X.fillna(X.median(), inplace=True)
# # Разделение данных на обучающую и тестовую выборки
# # Обучающая выборка
# X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.2, random_state=42, stratify=y)
# # Тестовая и контрольная выборки
# X_test, X_control, y_test, y_control = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42, stratify=y_temp)
# Обучение модели
model = RandomForestClassifier(random_state=42)
# Начинаем отсчет времени
start_time = time.time()
model.fit(X_train, y_train)
# Время обучения модели
train_time = time.time() - start_time
# Предсказания и оценка модели
y_pred = model.predict(X_test)
y_pred_proba = model.predict_proba(X_test)[:, 1] # Вероятности для ROC-AUC
# Метрики
roc_auc = roc_auc_score(y_test, y_pred_proba)
f1 = f1_score(y_test, y_pred)
conf_matrix = confusion_matrix(y_test, y_pred)
class_report = classification_report(y_test, y_pred)
# Вывод результатов
print(f'Время обучения модели: {train_time:.2f} секунд')
print(f'ROC-AUC: {roc_auc:.2f}')
print(f'F1-Score: {f1:.2f}')
print('Матрица ошибок:')
print(conf_matrix)
print('Отчет по классификации:')
print(class_report)
# Визуализация матрицы ошибок
plt.figure(figsize=(7, 7))
sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues', xticklabels=['Нет инсульта', 'Инсульт'], yticklabels=['Нет инсульта', 'Инсульт'])
plt.title('Матрица ошибок')
plt.xlabel('Предсказанный класс')
plt.ylabel('Истинный класс')
plt.show()
plt.figure(figsize=(10, 6))
plt.scatter(y_test, y_pred, alpha=0.5, color='blue', label='Прогнозы модели')
plt.plot([0, 1], [0, 1], 'k--', lw=2, label='Идеальное совпадение')
plt.xlabel('Фактический статус инсульта')
plt.ylabel('Прогнозируемый статус инсульта')
plt.title('Фактический статус инсульта по сравнению с прогнозируемым')
plt.legend()
plt.show()
А ВОТ ТЕПЕЕЕЕЕЕЕЕЕЕЕРЬ я поправила недоразумения и вроде как модель проперло на выявление инсульта. Но, так как в данных ЛЮТЫЙ дисбаланс, то модель слаба на выявление инсульта все еще.