前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >3大树模型实战乳腺癌预测分类

3大树模型实战乳腺癌预测分类

作者头像
皮大大
发布2023-08-25 10:44:40
2760
发布2023-08-25 10:44:40
举报

3大树模型实战乳腺癌分类预测

本文从特征的探索分析出发,经过特征工程和样本均衡性处理,使用决策树、随机森林、梯度提升树对一份女性乳腺癌的数据集进行分析和预测建模。

数据集

数据是来自UCI官网,很老的一份数据,主要是用于分类问题,可以自行下载学习

https://archive.ics.uci.edu/ml/datasets/breast+cancer

导入库

代码语言:javascript
复制
import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

import plotly_express as px
import plotly.graph_objects as go

from sklearn.ensemble import RandomForestClassifier
from sklearn.tree import DecisionTreeClassifier

from sklearn.tree import export_graphviz
from sklearn.metrics import roc_curve, auc
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix
from sklearn import metrics

from sklearn.model_selection import train_test_split

导入数据

数据是来自UCI官网

代码语言:javascript
复制
# 来自uci

df = pd.read_table("breast-cancer.data",
                   sep=",",
                   names=["Class","age","menopause","tumor-size","inv-nodes",
                          "node-caps","deg-malig","breast","breast-quad","irradiat"])

df

基本信息

In [3]:

代码语言:javascript
复制
df.dtypes   # 字段类型

Out[3]:

代码语言:javascript
复制
Class          object
age            object
menopause      object
tumor-size     object
inv-nodes      object
node-caps      object
deg-malig       int64
breast         object
breast-quad    object
irradiat       object
dtype: object

In [4]:

代码语言:javascript
复制
df.isnull().sum()  # 缺失值

Out[4]:

代码语言:javascript
复制
Class          0
age            0
menopause      0
tumor-size     0
inv-nodes      0
node-caps      0
deg-malig      0
breast         0
breast-quad    0
irradiat       0
dtype: int64

In [5]:

代码语言:javascript
复制
## 字段解释

columns = df.columns.tolist()
columns

Out[5]:

代码语言:javascript
复制
['Class',
 'age',
 'menopause',
 'tumor-size',
 'inv-nodes',
 'node-caps',
 'deg-malig',
 'breast',
 'breast-quad',
 'irradiat']

下面是每个字段的含义和具体的取值范围:

属性名

含义

取值范围

Class

是否复发

no-recurrence-events, recurrence-events

age

年龄

10-19, 20-29, 30-39, 40-49, 50-59, 60-69, 70-79, 80-89, 90-99

menopause

绝经情况

lt40(40岁之前绝经), ge40(40岁之后绝经), premeno(还未绝经)

tumor-size

肿瘤大小

0-4, 5-9, 10-14, 15-19, 20-24, 25-29, 30-34, 35-39, 40-44, 45-49, 50-54, 55-59

inv-nodes

受侵淋巴结数

0-2, 3-5, 6-8, 9-11, 12-14, 15-17, 18-20, 21-23, 24-26, 27-29, 30-32, 33-35, 36-39

node-caps

有无结节帽

yes, no

deg-malig

恶性肿瘤程度

1, 2, 3

breast

肿块位置

left, right

breast-quad

肿块所在象限

left-up, left-low, right-up, right-low, central

irradiat

是否放疗

yes,no

去除缺失值

In [6]:

代码语言:javascript
复制
df = df[(df["node-caps"] != "?") & (df["breast-quad"] != "?")]

len(df)

Out[6]:

代码语言:javascript
复制
277

字段处理

In [7]:

代码语言:javascript
复制
from sklearn.preprocessing import LabelEncoder

年龄段-age

In [8]:

代码语言:javascript
复制
age = df["age"].value_counts().reset_index()
age.columns = ["年龄段", "人数"]

age

可以看到数据中大部分的用户集中在40-59岁。对年龄段执行独热码:

代码语言:javascript
复制
df = df.join(pd.get_dummies(df["age"]))
df.drop("age", axis=1, inplace=True)
df.head()

绝经-menopause

In [11]:

代码语言:javascript
复制
menopause = df["menopause"].value_counts().reset_index()
menopause

Out[11]:

index

menopause

0

premeno

149

1

ge40

123

2

lt40

5

In [12]:

代码语言:javascript
复制
fig = px.pie(menopause,names="index",values="menopause")

fig.update_traces(
    textposition='inside',
    textinfo='percent+label')

fig.show()
代码语言:javascript
复制
df = df.join(pd.get_dummies(df["menopause"]))  # 独热码

df.drop("menopause",axis=1, inplace=True)

肿瘤大小-tumor-size

In [14]:

代码语言:javascript
复制
tumor_size = df["tumor-size"].value_counts().reset_index()

tumor_size

Out[14]:

index

tumor-size

0

30-34

57

1

25-29

51

2

20-24

48

3

15-19

29

4

10-14

28

5

40-44

22

6

35-39

19

7

0-4

8

8

50-54

8

9

5-9

4

10

45-49

3

In [15]:

代码语言:javascript
复制
fig = px.bar(tumor_size,
             x="index",
             y="tumor-size",
             color="tumor-size",
             text="tumor-size")

fig.show()
代码语言:javascript
复制
df = df.join(pd.get_dummies(df["tumor-size"]))

df.drop("tumor-size",axis=1, inplace=True)

受侵淋巴结数-inv-nodes

In [17]:

代码语言:javascript
复制
df["inv-nodes"].value_counts()

Out[17]:

代码语言:javascript
复制
0-2      209
3-5       34
6-8       17
9-11       7
15-17      6
12-14      3
24-26      1
Name: inv-nodes, dtype: int64

In [18]:

代码语言:javascript
复制
df = df.join(pd.get_dummies(df["inv-nodes"]))

df.drop("inv-nodes",axis=1, inplace=True)

有无结节帽-node-caps

In [19]:

代码语言:javascript
复制
df["node-caps"].value_counts()

Out[19]:

代码语言:javascript
复制
no     221
yes     56
Name: node-caps, dtype: int64

In [20]:

代码语言:javascript
复制
df = df.join(pd.get_dummies(df["node-caps"]).rename(columns={"no":"node_capes_no", "yes":"node_capes_yes"}))

df.drop("node-caps",axis=1, inplace=True)

恶性肿瘤程度-deg-malig

In [21]:

代码语言:javascript
复制
df["deg-malig"].value_counts()

Out[21]:

代码语言:javascript
复制
2    129
3     82
1     66
Name: deg-malig, dtype: int64

肿块位置-breast

In [22]:

代码语言:javascript
复制
df["breast"].value_counts()

Out[22]:

代码语言:javascript
复制
left     145
right    132
Name: breast, dtype: int64

In [23]:

代码语言:javascript
复制
df = df.join(pd.get_dummies(df["breast"]))

df.drop("breast",axis=1, inplace=True)

肿块所在象限-breast-quad

In [24]:

代码语言:javascript
复制
breast_quad = df["breast-quad"].value_counts().reset_index()

breast_quad

Out[24]:

index

breast-quad

0

left_low

106

1

left_up

94

2

right_up

33

3

right_low

23

4

central

21

In [25]:

代码语言:javascript
复制
fig = px.bar(breast_quad,
             x="index",
             y="breast-quad",
             color="breast-quad",
             text="breast-quad")

fig.show()
代码语言:javascript
复制
df = df.join(pd.get_dummies(df["breast-quad"]))

df.drop("breast-quad",axis=1, inplace=True)

是否放疗-irradiat

In [27]:

代码语言:javascript
复制
df["irradiat"].value_counts()

Out[27]:

代码语言:javascript
复制
no     215
yes     62
Name: irradiat, dtype: int64

In [28]:

代码语言:javascript
复制
df = df.join(pd.get_dummies(df["irradiat"]).rename(columns={"no":"irradiat_no","yes":"irradiat_yes"}))

df.drop("irradiat", axis=1, inplace=True)

是否复发-Class

这个是最终预测的因变量

In [29]:

代码语言:javascript
复制
dic = {"no-recurrence-events":0, "recurrence-events":1}
df["Class"] = df["Class"].map(dic)  # 实施转换

df

复发和非复发的统计:

代码语言:javascript
复制
sns.countplot(df['Class'],label="Count")

plt.show()

样本不均衡处理

In [31]:

代码语言:javascript
复制
# 样本量分布

df["Class"].value_counts()

Out[31]:

代码语言:javascript
复制
0    196
1     81
Name: Class, dtype: int64

In [32]:

代码语言:javascript
复制
from imblearn.over_sampling import SMOTE

In [33]:

代码语言:javascript
复制
X = df.iloc[:,1:]
y = df.iloc[:,0]

y.head()

Out[33]:

代码语言:javascript
复制
0    0
1    0
2    0
3    0
4    0
Name: Class, dtype: int64

In [34]:

代码语言:javascript
复制
groupby_df = df.groupby('Class').count()

# 输出原始数据集样本分类分布
groupby_df
代码语言:javascript
复制
# 建立SMOTE模型对象
model_smote = SMOTE()

# 输入数据做过抽样处理
x_smote_resampled, y_smote_resampled = model_smote.fit_resample(X, y)
# 将数据转换为数据框并命名列名
x_smoted = pd.DataFrame(x_smote_resampled,
                        columns=df.columns.tolist()[1:])
y_smoted = pd.DataFrame(y_smote_resampled,
                        columns=['Class'])

# 按列合并数据框
df_smoted = pd.concat([x_smoted, y_smoted],axis=1)

建模

相关性

分析每个新字段和因变量之间的相关性

In [36]:

代码语言:javascript
复制
corr = df_smoted.corr()
corr.head()

绘制相关性热力图:

代码语言:javascript
复制
fig = plt.figure(figsize=(12,8))
sns.heatmap(corr)

plt.show()

数据集划分

In [38]:

代码语言:javascript
复制
X = df_smoted.iloc[:,:-1]
y = df_smoted.iloc[:,-1]

from sklearn.model_selection import train_test_split

X_train,X_test,y_train,y_test = train_test_split(X,y,
                                                 test_size=0.20,
                                                 random_state=123)

决策树

In [39]:

代码语言:javascript
复制
dt = DecisionTreeClassifier(max_depth=5)
dt.fit(X_train, y_train)

Out[39]:

代码语言:javascript
复制
DecisionTreeClassifier(max_depth=5)

In [40]:

代码语言:javascript
复制
# 预测
y_prob = dt.predict_proba(X_test)[:,1]

# 预测的概率转成0-1分类
y_pred = np.where(y_prob > 0.5, 1, 0)
dt.score(X_test, y_pred)

Out[40]:

代码语言:javascript
复制
1.0

In [41]:

代码语言:javascript
复制
# 混淆矩阵

confusion_matrix(y_test, y_pred)

Out[41]:

代码语言:javascript
复制
array([[29,  8],
       [19, 23]])

In [42]:

代码语言:javascript
复制
# 分类得分报告
print(classification_report(y_test, y_pred))
              precision    recall  f1-score   support

           0       0.60      0.78      0.68        37
           1       0.74      0.55      0.63        42

    accuracy                           0.66        79
   macro avg       0.67      0.67      0.66        79
weighted avg       0.68      0.66      0.65        79

In [43]:

代码语言:javascript
复制
# roc
metrics.roc_auc_score(y_test, y_pred)

Out[43]:

代码语言:javascript
复制
0.6657014157014157

In [44]:

代码语言:javascript
复制
# roc曲线

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)

import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))  # 画布
plt.title('ROC')  # 标题

plt.plot(false_positive_rate,  # 绘图
         true_positive_rate,
         color='red',
         label = 'AUC = %0.2f' % roc_auc)

plt.legend(loc = 'lower right') #  图例位置
plt.plot([0, 1], [0, 1],linestyle='--')  # 正比例直线

plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()

随机森林

In [45]:

代码语言:javascript
复制
rf = RandomForestClassifier(max_depth=5)
rf.fit(X_train, y_train)

Out[45]:

代码语言:javascript
复制
RandomForestClassifier(max_depth=5)

In [46]:

代码语言:javascript
复制
# 预测
y_prob = rf.predict_proba(X_test)[:,1]

# 预测的概率转成0-1分类
y_pred = np.where(y_prob > 0.5, 1, 0)
rf.score(X_test, y_pred)

Out[46]:

代码语言:javascript
复制
1.0

In [47]:

代码语言:javascript
复制
# 混淆矩阵

confusion_matrix(y_test, y_pred)

Out[47]:

代码语言:javascript
复制
array([[31,  6],
       [14, 28]])

In [48]:

代码语言:javascript
复制
# roc
metrics.roc_auc_score(y_test, y_pred)

Out[48]:

代码语言:javascript
复制
0.7522522522522522

In [49]:

代码语言:javascript
复制
# roc曲线

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)

import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))  # 画布
plt.title('ROC')  # 标题

plt.plot(false_positive_rate,  # 绘图
         true_positive_rate,
         color='red',
         label = 'AUC = %0.2f' % roc_auc)

plt.legend(loc = 'lower right') #  图例位置
plt.plot([0, 1], [0, 1],linestyle='--')  # 正比例直线

plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()

梯度提升树

In [50]:

代码语言:javascript
复制
from sklearn.ensemble import GradientBoostingClassifier

In [51]:

代码语言:javascript
复制
gbc = GradientBoostingClassifier(loss='deviance',
                                 learning_rate=0.1,
                                 n_estimators=5,
                                 subsample=1,
                                 min_samples_split=2,
                                 min_samples_leaf=1,
                                 max_depth=3)

gbc.fit(X_train, y_train)

Out[51]:

代码语言:javascript
复制
GradientBoostingClassifier(n_estimators=5, subsample=1)

In [52]:

代码语言:javascript
复制
# 预测
y_prob = gbc.predict_proba(X_test)[:,1]

# 预测的概率转成0-1分类
y_pred = np.where(y_prob > 0.5, 1, 0)
gbc.score(X_test, y_pred)

Out[52]:

代码语言:javascript
复制
1.0

In [53]:

代码语言:javascript
复制
# 混淆矩阵
confusion_matrix(y_test, y_pred)

Out[53]:

代码语言:javascript
复制
array([[32,  5],
       [24, 18]])

In [54]:

代码语言:javascript
复制
# roc
metrics.roc_auc_score(y_test, y_pred)

Out[54]:

代码语言:javascript
复制
0.6467181467181469

In [55]:

代码语言:javascript
复制
# roc曲线

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)

import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))  # 画布
plt.title('ROC')  # 标题

plt.plot(false_positive_rate,  # 绘图
         true_positive_rate,
         color='red',
         label = 'AUC = %0.2f' % roc_auc)

plt.legend(loc = 'lower right') #  图例位置
plt.plot([0, 1], [0, 1],linestyle='--')  # 正比例直线

plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()

PCA降维

降维过程

In [56]:

代码语言:javascript
复制
from sklearn.decomposition import PCA
pca = PCA(n_components=17)
pca.fit(X)

#返回所保留的17个成分各自的方差百分比
print(pca.explained_variance_ratio_)
[0.17513053 0.12941834 0.11453698 0.07323991 0.05889187 0.05690304
 0.04869476 0.0393374  0.03703477 0.03240863 0.03062932 0.02574137
 0.01887462 0.0180381  0.01606983 0.01453912 0.01318003]

In [57]:

代码语言:javascript
复制
sum(pca.explained_variance_ratio_)

Out[57]:

代码语言:javascript
复制
0.9026686181152915

降维后数据

In [58]:

代码语言:javascript
复制
X_NEW = pca.transform(X)
X_NEW

Out[58]:

代码语言:javascript
复制
array([[ 1.70510215e-01,  5.39929099e-01, -1.04314303e+00, ...,
        -2.26541223e-01, -6.39332871e-02, -8.97923150e-02],
       [-9.01105403e-01,  8.01693088e-01,  5.92260258e-01, ...,
         9.66299251e-02,  1.40755806e-03, -2.74626972e-01],
       [-6.05200264e-01,  6.08455330e-01, -1.00524376e+00, ...,
         4.11416630e-02,  4.15705282e-02, -8.46941345e-02],
       ...,
       [ 1.40652211e-02,  5.35906106e-01,  5.64150123e-02, ...,
         1.70834934e-01,  7.11616391e-02, -1.72250445e-01],
       [-4.41363597e-01,  9.11950641e-01, -4.22184256e-01, ...,
        -4.13385344e-02, -7.64405982e-02,  1.04686148e-01],
       [ 1.98533663e+00, -4.74547396e-01, -1.52557494e-01, ...,
         2.72194184e-02,  5.71553613e-02,  1.78074886e-01]])

In [59]:

代码语言:javascript
复制
X_NEW.shape

Out[59]:

代码语言:javascript
复制
(392, 17)

重新划分数据

In [60]:

代码语言:javascript
复制
X_train,X_test,y_train,y_test = train_test_split(X_NEW,y,test_size=0.20,random_state=123)

再用随机森林

In [61]:

代码语言:javascript
复制
rf = RandomForestClassifier(max_depth=5)
rf.fit(X_train, y_train)

Out[61]:

代码语言:javascript
复制
RandomForestClassifier(max_depth=5)

In [62]:

代码语言:javascript
复制
# 预测
y_prob = rf.predict_proba(X_test)[:,1]

# 预测的概率转成0-1分类
y_pred = np.where(y_prob > 0.5, 1, 0)
rf.score(X_test, y_pred)

Out[62]:

代码语言:javascript
复制
1.0

In [63]:

代码语言:javascript
复制
# 混淆矩阵

confusion_matrix(y_test, y_pred)

Out[63]:

代码语言:javascript
复制
array([[26, 11],
       [13, 29]])

In [64]:

代码语言:javascript
复制
# roc
metrics.roc_auc_score(y_test, y_pred)

Out[64]:

代码语言:javascript
复制
0.6965894465894465

In [65]:

代码语言:javascript
复制
# roc曲线

from sklearn.metrics import roc_curve, auc
false_positive_rate, true_positive_rate, thresholds = roc_curve(y_test, y_prob)
roc_auc = auc(false_positive_rate, true_positive_rate)

import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.title('ROC')

plt.plot(false_positive_rate,
         true_positive_rate,
         color='red',
         label = 'AUC = %0.2f' % roc_auc)

plt.legend(loc = 'lower right')
plt.plot([0, 1], [0, 1],linestyle='--')

plt.axis('tight')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.show()

总结

从数据预处理和特征工程出发,建立不同的树模型表现来看,随机森林表现的最好,AUC值高达0.81,在经过对特征简单的降维之后,我们选择前17个特征,它们的重要性超过90%,再次建模,此时AUC值达到0.83。

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2022-6-2,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 3大树模型实战乳腺癌分类预测
  • 数据集
  • 导入库
  • 导入数据
  • 基本信息
  • 去除缺失值
  • 字段处理
    • 年龄段-age
      • 绝经-menopause
        • 肿瘤大小-tumor-size
          • 受侵淋巴结数-inv-nodes
            • 有无结节帽-node-caps
              • 恶性肿瘤程度-deg-malig
                • 肿块位置-breast
                  • 肿块所在象限-breast-quad
                    • 是否放疗-irradiat
                      • 是否复发-Class
                      • 样本不均衡处理
                      • 建模
                        • 相关性
                          • 数据集划分
                          • 决策树
                          • 随机森林
                          • 梯度提升树
                          • PCA降维
                            • 降维过程
                              • 降维后数据
                                • 重新划分数据
                                  • 再用随机森林
                                  • 总结
                                  领券
                                  问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档