uci心脏病决策树分析

目录

1.数据来源

2.数据说明

3.代码实现

4.结果展示

5.分析

---

1.数据来源

Index of /ml/machine-learning-databases/heart-disease

里面的processed.cleveland.data点击下载即可

2.数据说明

字段名	含义	描述
age	年龄	对象的年龄，数字表示
sex	性别	对象的性别，1男性 0女性
cp	胸部疼痛类型	痛感程度1,2,3,4
trestbps	血压	血压数值
chol	胆固醇	胆固醇数值
fbs	空腹血糖	血糖含量
restecg	心电图结果	是否有T波，0,1
thalach	最大心跳数	最大心跳数
exang	运动时是否心绞痛	是否有心绞痛，1 是，0 否
oldpeak	运动相对于休息的ST depression	st段压数值
slop	心电图ST segment的倾斜度	ST segment的slope，程度分为3 down、2 flat、1 up
ca	透视检查看到的血管数	透视检查看到的血管数（0-3）
thal	缺陷种类	并发种类，0-6
status	是否患病	是否患病 0到4患心脏病的程度

3.代码实现

import numpy as np
import pandas as pd
import pydotplus
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn import tree
import graphviz      #此处没有用到

#(1)读取数据
names=['年龄','性别','类型','静态血压','血清胆固醇','空腹血糖','静息心电图','最大心率','运动心绞痛','ST压低','ST段峰值斜率','主要血管数','thal','心脏病的诊断']
data=pd.read_csv("processed.cleveland.csv",sep=",",header=None,names=names)
print(data.info())#查看数据是否有缺省

#(2)对数据进行处理
#删除缺失值的行
data=data.replace(to_replace="?",value=np.nan)  #将？转换为null
data.dropna(inplace=True)#将空值所在的行删除inplace=True改变原表
# print(data)
# print(data.sample(10))#随机查看10条数据

#(3)划分训练集和测试集7：3
target=data['心脏病的诊断']#------Y   因变量
print(target)
data=data.drop('心脏病的诊断',1)#------x 自变量
print(data)
#训练集和测试集的划分为7:3    将70%拿去训练模型，剩余30%的数据代入训练的模型中进行测试
X_train, X_test, Y_train, Y_test=train_test_split(data,target,test_size=0.3,random_state = 0)
#clf=DecisionTreeClassifier(criterion = 'entropy',random_state = 0) #载入决策树分类模型 #基于信息熵的决策树
#固定random_state后，每次构建的模型是相同的、生成的数据集是相同的、每次的拆分结果也是相同的，也就是随机种子相同
#(4)使用训练集训练一个决策树分类器
clf=DecisionTreeClassifier(criterion='gini',max_depth=4,max_leaf_nodes=10,min_samples_leaf=9,)#基于gini的决策树
#max_depth=4决策树最大深度
#max_leaf_nodes最大叶子结点
#min_samples_leaf：叶子节点（即分类）最少样本数。

#(5)决策树拟合得到模型
clf=clf.fit(X_train,Y_train)
y_pred = clf.predict(X_test)
print(y_pred)

#(6)分别使用训练集和测试集计算决策树分类器的分类准确率
score=clf.score(X_test,Y_test)#返回测试集的准确度
score1=clf.score(X_train,Y_train)#返回训练集的准确度
print(score)       #0.5555555555555556
print(score1)      #0.6714975845410628

#(7)判断是否出现过拟合现象
#如果训练集和测试集的准确率都很低，那么说明模型欠拟合；如果训练集的准确率接近于1而验证集还相差甚远，说明模型典型的过拟合
#由此可见没有过拟合

#(8)查看每个特征的重要程度
name=['age','sex','cp','trestbps','chol','fbs','restecg','thalach','exang','oldpeak','slop','ca','thal']
importances=[*zip(name,clf.feature_importances_)]
print(importances)

#(9)决策树可视化
#clf：分类器
# feature_names:列名
# class_name:分类标签名
# filled：是否填充颜色
# rounded：图形边缘是否美化
# names1=names[0:-1]                                  #结果的可能性也就是患心脏病程度
dot_data=tree.export_graphviz(clf,feature_names=name,class_names=
['0','1','2','3','4'],filled=True,rounded=True)
# graph = graphviz.Source(dot_data)
# graph.render("E:tree.pdf")     --------这种方法报错，系统找不到dot,可能我环境变量没配对
#画图
graph = pydotplus.graph_from_dot_data(dot_data)
#保存成图片
graph.write_png('heart_disease1.png')

4.结果展示

5.分析

        由决策树可知，胸部疼痛类型的jini指数最大，说明它是最重要的因素，当cp<=3.5时也就是cp=[1,2,3]时不会患心脏病，当cp>3.5也就是等于4时，st压低oldpeak<=0.7，并且血管数ca<=0.5也就是血管数=0时不会患心脏病……..

患心脏病最大概率的两种情况是：

• cp=4，oldpeak<=2.7,exang=1,chol<=228.5的时候患心脏病概率的等级为3级（有严重的胸部疼痛，并且st压低小于等于2.7，运动时有心绞痛，胆固醇数值小于228.5）
• cp=4，oldpeak>2.7，ca>1.5也就是ca=[2,3] 的时候患心脏病概率的等级为3级（有严重的胸部疼痛，并且st压低大于2.7，血管数为2或3）

 如有不对的地方，希望能给予指正，我们共同进步！