使用Python 机器学习-2-使用 XGBoost 检测帕金森病

一、前言

该文章仅作为个人学习使用

项目源代码：Python 机器学习项目 - 使用 XGBoost 检测帕金森病 - DataFlair (data-flair.training)

数据集：

二、正文

在我们的 Python 项目列表中，用 python 检测帕金森病排在第 3 位。在这个 Python 机器学习项目中，我们将构建一个模型，使用该模型可以准确检测一个人体内帕金森病的存在。

检测帕金森病 – Python 机器学习项目

什么是帕金森病？

帕金森病是一种影响运动的中枢神经系统进行性疾病，可引起震颤和僵硬。它有 5 个阶段，每年影响印度超过 100 万人。这是慢性的，目前尚无治愈方法。它是一种神经退行性疾病，影响大脑中产生多巴胺的神经元。

什么是 XGBoost？

XGBoost 是一种新的机器学习算法，在设计时考虑到了速度和性能。XGBoost 代表 eXtreme Gradient Boosting，基于决策树。在这个项目中，我们将从 xgboost 库导入 XGBClassifier;这是用于 XGBoost 分类的 scikit-learn API 的实现。

使用 XGBoost 检测帕金森病 – 目标

建立一个模型来准确检测个体是否存在帕金森病。

使用 XGBoost 检测帕金森病 – 关于 Python 机器学习项目

在这个 Python 机器学习项目中，使用 Python 库 scikit-learn、numpy、pandas 和 xgboost，我们将使用 XGBClassifier 构建一个模型。我们将加载数据，获取特征和标签，缩放特征，然后拆分数据集，构建 XGBClassifier，然后计算模型的准确性。

Python 机器学习项目的数据集

为此，您需要 UCI ML 帕金森数据集;你可以在这里下载。数据集有 24 列和 195 条记录，仅为 39.7 KB。

先决条件

您需要使用 pip 安装以下库：

pip install numpy pandas sklearn xgboost

你还需要安装 Jupyter Lab，然后使用命令提示符运行它：You'll also need to install Jupyter Lab， and then use the command prompt to run it：

C：\Users\DataFlair>jupyter 实验室

这将在浏览器中打开一个新的 JupyterLab 窗口。在这里，您将创建一个新的控制台并键入代码，然后按 Shift+Enter 一次执行一行或多行。

使用 XGBoost 检测帕金森病的步骤

以下是练习 Python 机器学习项目所需的一些步骤 –

1. 进行必要的进口：

导入 numpy 作为 np

将 Pandas 导入为 PD

导入操作系统、系统

来自 Sklearn。预处理导入 MinMaxScaler

从 xgboost 导入 XGBClassifier

来自 Sklearn。model_selection导入train_test_split

来自 Sklearn。指标导入accuracy_score

截图：

2. 现在，让我们将数据读入 DataFrame 并获取前 5 条记录。

#DataFlair - 读取数据

df=pd。read_csv（'D：\\DataFlair\\parkinsons.data')

东风。头()

输出截图：

3. 从 DataFrame（数据集）中获取特征和标注。要素是除“状态”之外的所有列，标签是“状态”列中的标签。

#DataFlair - 获取功能和标签

features=df。loc[：，df.columns！='status']。值[：，1：]

标签=df。loc[：，'状态']。值

截图：

4. “状态”列的标签值为 0 和 1;让我们获取这些标签的计数 - 0 和 1。

#DataFlair - 获取标签中每个标签（0 和 1）的计数

打印（标签[标签==1]。shape[0]、labels[labels==0]。形状[0])

输出截图：

我们在数据集的状态列中有 147 个 1 和 48 个零。

5. 初始化 MinMaxScaler 并将特征缩放到 -1 和 1 之间以对其进行规范化。MinMaxScaler 通过将要素缩放到给定范围来转换要素。fit_transform（） 方法拟合数据，然后对其进行转换。我们不需要缩放标签。

#DataFlair - 将要素缩放到 -1 和 1 之间

缩放器=MinMaxScaler（（-1,1))

x=缩放器。fit_transform（特点)

y=标签

截图：

6. 现在，将数据集拆分为训练集和测试集，保留 20% 的数据用于测试。

#DataFlair - 拆分数据集

x_train，x_test，y_train，y_test=train_test_split（x，y，test_size=0.2，random_state=7)

截图：

7. 初始化 XGBClassifier 并训练模型。这使用 eXtreme Gradient Boost 进行分类 - 使用梯度提升算法来解决现代数据科学问题。它属于 ML 中的集成学习类别，我们使用许多模型进行训练和预测以产生一个卓越的输出。

#DataFlair - 训练模型

model=XGBClassifier()

型。适合（x_train，y_train)

输出截图：

8. 最后，生成y_pred（x_test的预测值）并计算模型的精度。打印出来。

# DataFlair - 计算准确率

y_pred=模型。预测（x_test)

打印（accuracy_score（y_test， y_pred）*100)

输出截图：

三、总结

在这个 Python 机器学习项目中，我们学会了使用各种因素来检测个体中帕金森病的存在。为此，我们使用了 XGBClassifier，并利用 sklearn 库来准备数据集。这为我们提供了 94.87% 的准确率，考虑到这个 python 项目中的代码行数，这非常好。

希望你喜欢这个 Python 项目。我们已经在博客顶部为您提供了更多有趣的 Python 项目的链接。