独家 | 基于癌症生存数据建立神经网络（附链接）

作者：Jason Brownlee
翻译：wwl校对：车前子

本文约4000字，建议阅读3分钟本文介绍了haberman乳腺癌生存二分类数据集，进行神经网络模型拟合。包含数据准备、MLP模型学习机制、模型稳健性评估。

 

根据新数据集开发神经网络预测模型是一个挑战。

一种方法是先对数据集进行探查，然后思考什么模型适用于这个数据集，先尝试一些简单的模型，最后再开发并调优一个稳健的模型。

这个流程适用于为分类、回归预测模型问题开发高效的神经网络。

本教程中，你将学习如何开发一个多层感知机神经网络模型，用于癌症生存二分类数据集。

完成本教程后，你将了解到：

• 如何加载和汇总癌症生存数据集，根据结果来进行数据准备和模型配置。

• 如何探索MLP模型拟合数据的学习机制。

• 如何得到稳健的模型，调优并做预测。

开始吧！

Bernd Thaller拍摄

概览

本教程分为4部份：

• Haberman 乳腺癌生存数据集

• 神经网络学习机制

• 模型鲁棒性评估

• 最终的模型及预测

Haberman 乳腺癌生存数据集

首先，定义数据集并作数据探查。

我们使用的是“haberman”标准二分类数据集。

数据集描述的是乳腺癌患者的数据，结局事件是患者生存，具体是指病人是否生存了五年活以上，或患者是否存活。

这是学习不平衡数据分类问题的标准的数据集。数据集的背景描述表明，研究是在1958年到1970年期间，在芝加哥大学的Billings医院开展的。

数据集有306个样本，3个输入变量：

• 病人在手术期间的年龄；

• 手术的两位数年份；

• 检测到的腋窝淋巴结阳性数，这是衡量癌症是否已扩散的一种手段。

 

我们只有以上数据，无法选择组成数据集合的病例，以及病例的特征。

尽管这个数据集描述的是乳腺癌患者的生存情况，但考虑到数据集的样本量少，以及这些数据是基于发生在几十年前的乳腺癌病例，因此基于这个数据集的模型并不具备泛化能力。

备注：声明，我们不是要治愈乳腺癌，而是在探索一种标准的分类数据集。

以下是数据集的前5行的抽样。

从以下链接，可以对这个数据集有更多了解：

Haberman Survival Dataset (haberman.csv)（https://github.com/jbrownlee/Datasets/blob/master/haberman.csv）

Haberman Survival Dataset Details (haberman.names)（https://github.com/jbrownlee/Datasets/blob/master/haberman.names）

可以直接从URL中加载数据集，保存为pandas DataFrame，如下：

执行这个例子，可以直接从这个URL加载数据，获得数据集的维度。

本例中，我们可以确定，数据集有4个变量（3个输入1个输出变量），有306行数据。