机器学习(十)-逻辑回归实践篇之乳腺癌肿瘤预测

注: 本篇博客为《Python机器学习及实践：从零通往Kaggle竞赛之路》一书逻辑回归案例的笔记，欢迎与我交流数据挖掘、机器学习相关话题。

1 项目描述

“良/恶性乳腺癌肿瘤预测”的问题属于二分类任务。
待预测的类别分别是良性乳腺癌肿瘤和恶性乳腺癌肿瘤。
通常使用离散的整数来代表类别, 0代表良性，1代表恶性。

• 数据信息及含义如下图所示:
  

• 数据集下载

2 项目分析

2.1 数据预处理

本项目案例中只取这两个特征，通过图像展示肿瘤样本在二维特征空间的分布情况，如下图所示。X代表恶性肿瘤，O代表良性肿瘤。

def load_data():
    """
    加载数据集中的数据
    :return:
    """
    # 将训练集读取进来并存至变量df_train
    df_train = pd.read_csv('./data/breast-cancer-train.csv')
    # 将测试集读取进来并存至变量df_test
    df_test = pd.read_csv('./data/breast-cancer-test.csv')

    # 选取Clump Thickness(肿瘤厚度)和Cell Size(细胞尺寸)作为特征，构建测试集中的正负分类样本
    df_test_negative = df_test.loc[df_test['Type'] == 0][['Clump Thickness', 'Cell Size']]
    df_test_positive = df_test.loc[df_test['Type'] == 1][['Clump Thickness', 'Cell Size']]

    return df_train, df_test, df_test_negative, df_test_positive



if __name__ == '__main__':
    df_train, df_test, df_test_negative, df_test_positive = load_data()
    print(df_train)
    print(df_test)
    print(df_test_negative)
    print(df_test_positive)

2.2 数据可视化

本项目案例中只取这两个特征，通过图像展示肿瘤样本在二维特征空间的分布情况，如下图所示。X代表恶性肿瘤，O代表良性肿瘤。

def configure_plt(plt):
    """
    配置图形的坐标表信息
    """
    # 获取当前的坐标轴, gca = get current axis
    ax = plt.gca()
    # 设置x轴, y周在(0, 0)的位置
    ax.spines['bottom'].set_position(('data', 0))
    ax.spines['left'].set_position(('data', 0))

    # 设置坐标轴的取值范围
    plt.xlim((0, 15))
    plt.ylim((-10, 20))

    # 绘制x，y轴说明
    plt.xlabel('Clump Thickness')
    plt.ylabel('Cell Size')
    return  plt


def draw_pic():
    """
    绘制恶性肿瘤和良性肿瘤的图形
    :return:
    """
    df_train, df_test, df_test_negative, df_test_positive = load_data()