使用logistic regression 处理 良/恶性肿瘤分类任务 案例

1.读入数据

2.随机切分数据集，把数据集切分成训练集和测试集

3.对数据集进行标准化

4.创建logistic regression 模型，在训练集上训练数据

5.在测试集上进行预测分类

logistic regression 预测的准确率：0.9883040935672515

# -*- coding:utf-8 -*-
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings("ignore")

if __name__ == '__main__':
    print "hello"
    # 创建特征列表。
    column_names = ['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']

    # 使用pandas.read_csv函数从互联网读取指定数据。
    data = pd.read_csv(
        'https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data',
        names=column_names)
    # print data

    # 将?替换为标准缺失值表示。
    data = data.replace(to_replace='?', value=np.nan)
    # 丢弃带有缺失值的数据（只要有一个维度有缺失）。
    data = data.dropna(how='any')

    # 输出data的数据量和维度。
    print data.shape

    # 使用sklearn.cross_valiation里的train_test_split模块用于分割数据。
    from sklearn.model_selection import train_test_split

    # 随机采样25%的数据用于测试，剩下的75%用于构建训练集合。
    X_train, X_test, y_train, y_test = train_test_split(data[column_names[1:10]], data[column_names[10]],
                                                        test_size=0.25, random_state=33)

    # 从sklearn.preprocessing里导入StandardScaler。
    from sklearn.preprocessing import StandardScaler
    # 从sklearn.linear_model里导入LogisticRegression与SGDClassifier。
    from sklearn.linear_model import LogisticRegression
    from sklearn.linear_model import SGDClassifier

    # 标准化数据，保证每个维度的特征数据方差为1，均值为0。使得预测结果不会被某些维度过大的特征值而主导。
    ss = StandardScaler()
    X_train = ss.fit_transform(X_train)
    X_test = ss.transform(X_test)

    # 初始化LogisticRegression与SGDClassifier。
    lr = LogisticRegression()
    sgdc = SGDClassifier()

    # 调用LogisticRegression中的fit函数/模块用来训练模型参数。
    lr.fit(X_train, y_train)
    # 使用训练好的模型lr对X_test进行预测，结果储存在变量lr_y_predict中。
    lr_y_predict = lr.predict(X_test)

    # 调用SGDClassifier中的fit函数/模块用来训练模型参数。
    sgdc.fit(X_train, y_train)
    # 使用训练好的模型sgdc对X_test进行预测，结果储存在变量sgdc_y_predict中。
    sgdc_y_predict = sgdc.predict(X_test)

    # 从sklearn.metrics里导入classification_report模块。
    from sklearn.metrics import classification_report

    # 使用逻辑斯蒂回归模型自带的评分函数score获得模型在测试集上的准确性结果。
    print 'Accuracy of LR Classifier:', lr.score(X_test, y_test)
    # 利用classification_report模块获得LogisticRegression其他三个指标的结果。
    print classification_report(y_test, lr_y_predict, target_names=['Benign', 'Malignant'])

    # 使用随机梯度下降模型自带的评分函数score获得模型在测试集上的准确性结果。
    print 'Accuarcy of SGD Classifier:', sgdc.score(X_test, y_test)
    # 利用classification_report模块获得SGDClassifier其他三个指标的结果。
    print classification_report(y_test, sgdc_y_predict, target_names=['Benign', 'Malignant'])