基于逻辑回归的癌症预测案例

加载数据给数据中的每一列起列名称

#把数据的头置为空，因为要自己设置列名称
data = pd.read_csv('./breast-cancer-wisconsin.data',header=None)
# print(data)

#增加列名
columns = ['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']
data.columns = columns

把数据中的问号改成NAN,然后将其删除

data.replace('?',np.nan,inplace=True)
#缺失值检测
# print(data.isnull().sum())

#删除缺失值
data.dropna(axis=0,how='any',inplace=True)

筛选特征值和目标值

#特征筛选，筛选数据集，去除第一列的编号
data = data.iloc[:,1:]

#获取特征值、目标值
feature = data.iloc[:,:-1].values
target = data.iloc[:,-1].values

异常值处理---没有异常值

拆分数据集和特征值标准化

#拆分数据集
#返回四种结果
x_train,x_test,y_train,y_test = train_test_split(feature,target,test_size=0.3,random_state=1)

#标准化数据，特征值需要标准化，目标值不需要标准化
stand = StandardScaler()
x_train = stand.fit_transform(x_train)
x_test = stand.fit_transform(x_test)

利用逻辑回归对数据进行分类

#利用逻辑回归分类
lr = LogisticRegression() #参考sgd
#训练数据
lr.fit(x_train,y_train)

#进行预测数据
y_predict = lr.predict(x_test)

#准确率
score = lr.score(x_test,y_test)

#获取权重与偏置
weight = lr.coef_
bias = lr.intercept_

# print('权重:\n',weight)
# print('偏置：\n',bias)
# print('准确率:\n',score)
# print('预测值:\n',y_predict)

计算召回率

#计算召回率,召回率越高越好
#fl-score越高越好，模型越稳健
#labels=[2,4],target_names=['良性','恶性']，把显示的行名称由2,4变成良性和恶性
res_report = classification_report(y_test,y_predict,labels=[2,4],target_names=['良性','恶性'])
# print(res_report)

计算auc指标

针对样本不平衡的状态，这里样本均衡，不使用auc，只作为参考示例

#np.where,把2,4转化成0、1
y_test = np.where(y_test > 3,1,0)
# print(y_test)

#计算auc指标 --针对样本不平衡的状态，这里样本均衡，不使用auc，只作为参考
auc = roc_auc_score(y_test,y_predict)
print(auc)

注： 如果样本不均衡就变成均衡

 完整代码如下

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report #召回率计算
from sklearn.metrics import roc_auc_score#引入auc指标

#加载数据
data = pd.read_csv('./breast-cancer-wisconsin.data',header=None)
# print(data)

#增加列名
columns = ['Sample code number','Clump Thickness','Uniformity of Cell Size','Uniformity of Cell Shape','Marginal Adhesion','Single Epithelial Cell Size','Bare Nuclei','Bland Chromatin','Normal Nucleoli','Mitoses','Class']
data.columns = columns
# print(data)

data.replace('?',np.nan,inplace=True)
#缺失值检测
# print(data.isnull().sum())

#删除缺失值
data.dropna(axis=0,how='any',inplace=True)
# print(data.isnull().sum())

#特征筛选，筛选数据集，去除第一列的编号
data = data.iloc[:,1:]

#获取特征值、目标值
feature = data.iloc[:,:-1].values
target = data.iloc[:,-1].values

#异常值处理---没有异常值

#拆分数据集
#返回四种结果
x_train,x_test,y_train,y_test = train_test_split(feature,target,test_size=0.3,random_state=1)

#标准化数据，特征值需要标准化，目标值不需要标准化
stand = StandardScaler()
x_train = stand.fit_transform(x_train)
x_test = stand.fit_transform(x_test)

#利用逻辑回归分类
lr = LogisticRegression() #参考sgd
#训练数据
lr.fit(x_train,y_train)

#进行预测数据
y_predict = lr.predict(x_test)

#准确率
score = lr.score(x_test,y_test)

#获取权重与偏置
weight = lr.coef_
bias = lr.intercept_

# print('权重:\n',weight)
# print('偏置：\n',bias)
# print('准确率:\n',score)
# print('预测值:\n',y_predict)

#计算召回率,召回率越高越好
#fl-score越高越好，模型越稳健
#labels=[2,4],target_names=['良性','恶性']，把显示的行名称由2,4变成良性和恶性
res_report = classification_report(y_test,y_predict,labels=[2,4],target_names=['良性','恶性'])
# print(res_report)

#np.where,把2,4转化成0、1
y_test = np.where(y_test > 3,1,0)
# print(y_test)

#计算auc指标 --针对样本不平衡的状态，这里样本均衡，不使用auc，只作为参考
auc = roc_auc_score(y_test,y_predict)
print(auc)

#如果样本不均衡就变成均衡