智算之道-肝炎预测

最新推荐文章于 2024-08-06 09:33:31 发布
最新推荐文章于 2024-08-06 09:33:31 发布
阅读量367 收藏 4
点赞数
分类专栏： 机器学习 文章标签： 数据挖掘 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43867402/article/details/109172001
版权

肝炎预测

  1. 数据处理
    将缺失较少的数据,使用众数或者平均数填充,缺失较多的数使用随机森林进行预估.

  2. 模型训练
    使用catboost进行预测,代码如下:

最终初赛排名：1.1k个队伍 top1%
准确率：0.85130823

import warnings
warnings.filterwarnings("ignore", message="numpy.dtype size changed")
warnings.filterwarnings("ignore", message="numpy.ufunc size changed")
#Ignore RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility

import pandas as pd
import numpy as np 
from pandas import Series,DataFrame

data_train = pd.read_csv('/home/kesci/data/competition_A/train_set.csv',engine = 'python',encoding='UTF-8')
path = '/home/kesci/data/competition_A/'
data_test  = pd.read_csv(path+'test_set.csv') 
data_train.info()

import pandas as pd
pd.set_option('max_columns',1000)
pd.set_option('max_row',300)
pd.set_option('display.float_format', lambda x:'%.5f' % x)
data_train.head()
data_train.describe()

import pandas as pd
import numpy as np
pd.set_option('max_columns',1000)
pd.set_option('max_row',300)
pd.set_option('display.float_format', lambda x:'%.5f' % x)
data_train.head()
data_train.describe()
data_train.shape[0]
data_shengao_west = data_train['身高'][data_train['区域']=='west'].mean()
data_shengao_west
data_shengao_east = data_train['身高'][data_train['区域']=='east'].mean()
data_shengao_east
data_shengao_north = data_train['身高'][data_train['区域']=='north'].mean()
data_shengao_north
data_shengao_south = data_train['身高'][data_train['区域']=='south'].mean()
data_shengao_south
for i in range(6000):
    if(data_train['区域'].iloc[i]=='west' ):
        if pd.isnull(data_train.at[i,'身高']):
            data_train.at[i,'身高']=data_shengao_west
    if(data_train['区域'].iloc[i]=='east'):
        if pd.isnull(data_train.at[i,'身高']):
            data_train.at[i,'身高']=data_shengao_east
    if(data_train['区域'].iloc[i]=='north'):
        if pd.isnull(data_train.at[i,'身高']):
            data_train.at[i,'身高']=data_shengao_north
    if(data_train['区域'].iloc[i]=='south'):
        if pd.isnull(data_train.at[i,'身高']):
            data_train.at[i,'身高']=data_shengao_south
data_train['身高'][data_train['性别']=='F'].mean()
data_train['身高'][data_train['性别']=='M'].mean()
data_weight_west = data_train['体重'][data_train['区域']=='west'].mean()
data_weight_west
data_weight_east = data_train['体重'][data_train['区域']=='east'].mean()
data_weight_east
data_weight_north = data_train['体重'][data_train['区域']=='north'].mean()
data_weight_north
data_weight_south = data_train['体重'][data_train['区域']=='south'].mean()
data_weight_south

for i in range(6000):
    if(data_train['区域'].iloc[i]=='west' ):
        if pd.isnull(data_train.at[i,'体重']):
            data_train.at[i,'体重']=data_weight_west
    if(data_train['区域'].iloc[i]=='east'):
        if pd.isnull(data_train.at[i,'体重']):
            data_train.at[i,'体重']=data_weight_east
    if(data_train['区域'].iloc[i]=='north'):
        if pd.isnull(data_train.at[i,'体重']):
            data_train.at[i,'体重']=data_weight_north
    if(data_train['区域'].iloc[i]=='south'):
        if pd.isnull(data_train.at[i,'体重']):
            data_train.at[i,'体重']=data_weight_south

for i in range(6000):
    if(data_train['性别'].iloc[i]=='F' ):
        if pd.isnull(data_train.at[i,'体重指数']):
            data_train.at[i,'体重指数'] = (data_train.at[i,'身高']-80)*0.7
    if(data_train['性别'].iloc[i]=='M' ):
        if pd.isnull(data_train.at[i,'体重指数']):
            data_train.at[i,'体重指数'] = (data_train.at[i,'身高']-70)*0.6
for i in range(6000):    
    if pd.isnull(data_train.at[i,'肥胖腰围']):
        if(data_train['体重指数'].iloc[i] > 30 ):
            data_train.at[i,'肥胖腰围']=1.0
        else:
            data_train.at[i,'肥胖腰围']=0.0
from tqdm import tqdm
from sklearn.preprocessing import LabelEncoder, MinMaxScaler
num_columns = ['年龄','体重','身高','体重指数', '腰围', '最高血压', '最低血压',
                '好胆固醇', '坏胆固醇', '总胆固醇','体育活动']
zero_to_one_columns = ['血脂异常','PVD','家庭高血压', '家族糖尿病']
str_columns = ['家族肝炎', '慢性疲劳','糖尿病','教育','未婚','收入','肥胖腰围','性别','区域','护理来源','视力不佳','饮酒','高血压','肝炎']

for i in tqdm(str_columns):#可用于显示进度
    lbl = LabelEncoder()
    data_train[i] = lbl.fit_transform(data_train[i].astype(str))
data_train['高血压'].fillna(data_train['高血压'].mode())
for i in range(6000):    
    if pd.isnull(data_train.at[i,'ALF']):
        if(data_train['高血压'].iloc[i] == 0.0):
            data_train.at[i,'ALF']=0.0
for i in range(6000):    
    if pd.isnull(data_train.at[i,'ALF']):
        if(data_train['区域'].iloc[i] == 'west'):
            data_train.at[i,'ALF']=0.0
data_train.info()

pd.set_option('max_columns',1000)
pd.set_option('max_row',300)
pd.set_option('display.float_format', lambda x:'%.5f' % x)
data_test.head()
data_test.describe()
data_test.shape[0]
data_shengao_west = data_test['身高'][data_test['区域']=='west'].mean()
data_shengao_west
data_shengao_east = data_test['身高'][data_test['区域']=='east'].mean()
data_shengao_east
data_shengao_north = data_test['身高'][data_test['区域']=='north'].mean()
data_shengao_north
data_shengao_south = data_test['身高'][data_test['区域']=='south'].mean()
data_shengao_south
for i in range(2785):
    if(data_test['区域'].iloc[i]=='west' ):
        if pd.isnull(data_test.at[i,'身高']):
            data_test.at[i,'身高']=data_shengao_west
    if(data_test['区域'].iloc[i]=='east'):
        if pd.isnull(data_test.at[i,'身高']):
            data_test.at[i,'身高']=data_shengao_east
    if(data_test['区域'].iloc[i]=='north'):
        if pd.isnull(data_test.at[i,'身高']):
            data_test.at[i,'身高']=data_shengao_north
    if(data_test['区域'].iloc[i]=='south'):
        if pd.isnull(data_test.at[i,'身高']):
            data_test.at[i,'身高']=data_shengao_south
data_test['身高'][data_test['性别']=='F'].mean()
data_test['身高'][data_test['性别']=='M'].mean()
data_weight_west = data_test['体重'][data_test['区域']=='west'].mean()
data_weight_west
data_weight_east = data_test['体重'][data_test['区域']=='east'].mean()
data_weight_east
data_weight_north = data_test['体重'][data_test['区域']=='north'].mean()
data_weight_north
data_weight_south = data_test['体重'][data_test['区域']=='south'].mean()
data_weight_south

for i in range(2785):
    if(data_test['区域'].iloc[i]=='west' ):
        if pd.isnull(data_test.at[i,'体重']):
            data_test.at[i,'体重']=data_weight_west
    if(data_test['区域'].iloc[i]=='east'):
        if pd.isnull(data_test.at[i,'体重']):
            data_test.at[i,'体重']=data_weight_east
    if(data_test['区域'].iloc[i]=='north'):
        if pd.isnull(data_test.at[i,'体重']):
            data_test.at[i,'体重']=data_weight_north
    if(data_test['区域'].iloc[i]=='south'):
        if pd.isnull(data_test.at[i,'体重']):
            data_test.at[i,'体重']=data_weight_south

for i in range(2785):
    if(data_test['性别'].iloc[i]=='F' ):
        if pd.isnull(data_test.at[i,'体重指数']):
            data_test.at[i,'体重指数'] = (data_test.at[i,'身高']-80)*0.7
    if(data_test['性别'].iloc[i]=='M' ):
        if pd.isnull(data_test.at[i,'体重指数']):
            data_test.at[i,'体重指数'] = (data_test.at[i,'身高']-70)*0.6
for i in range(2785):    
    if pd.isnull(data_test.at[i,'肥胖腰围']):
        if(data_test['体重指数'].iloc[i] > 30 ):
            data_test.at[i,'肥胖腰围']=1.0
        else:
            data_test.at[i,'肥胖腰围']=0.0
from tqdm import tqdm
from sklearn.preprocessing import LabelEncoder, MinMaxScaler
num_columns = ['年龄','体重','身高','体重指数', '腰围', '最高血压', '最低血压',
                '好胆固醇', '坏胆固醇', '总胆固醇','体育活动']
zero_to_one_columns = ['血脂异常','PVD','家庭高血压', '家族糖尿病']
str_columns = ['家族肝炎', '慢性疲劳','糖尿病','教育','未婚','收入','肥胖腰围','性别','区域','护理来源','视力不佳','饮酒','高血压']

for i in tqdm(str_columns):#可用于显示进度
    lbl = LabelEncoder()
    data_test[i] = lbl.fit_transform(data_test[i].astype(str))
data_test['高血压'].fillna(data_test['高血压'].mode())
for i in range(2785):    
    if pd.isnull(data_test.at[i,'ALF']):
        if(data_test['高血压'].iloc[i] == 0.0):
            data_test.at[i,'ALF']=0.0
for i in range(2785):    
    if pd.isnull(data_test.at[i,'ALF']):
        if(data_test['区域'].iloc[i] == 'west'):
            data_test.at[i,'ALF']=0.0
data_test.info()

from sklearn.preprocessing import LabelEncoder, MinMaxScaler
num_columns = ['年龄','体重','身高','体重指数', '腰围', '最高血压', '最低血压',
                '好胆固醇', '坏胆固醇', '总胆固醇','体育活动']
zero_to_one_columns = ['血脂异常','PVD','家庭高血压', '家族糖尿病']
str_columns = ['家族肝炎', '慢性疲劳','糖尿病','教育','未婚','收入','肥胖腰围','性别','区域','护理来源','视力不佳','饮酒','高血压','肝炎']
for i in str_columns:
    lbl = LabelEncoder()
    data_train[i] = lbl.fit_transform(data_train[i].astype(str))
for s in str_columns:
    data_train[s].fillna(data_train[s].mode(),inplace=True)
for n in num_columns:
    data_train[n].fillna(data_train[n].mean(),inplace=True)
for n in zero_to_one_columns:
    data_train[n].fillna(data_train[n].mode(),inplace=True)
data_train.info()
num_columns = ['年龄','体重','身高','体重指数', '腰围', '最高血压', '最低血压',
                '好胆固醇', '坏胆固醇', '总胆固醇','体育活动']
zero_to_one_columns = ['血脂异常','PVD','家庭高血压', '家族糖尿病']
str_columns = ['家族肝炎', '慢性疲劳','糖尿病','教育','未婚','收入','肥胖腰围','性别','区域','护理来源','视力不佳','饮酒','高血压']
for i in str_columns:
    lbl = LabelEncoder()
    data_test[i] = lbl.fit_transform(data_test[i].astype(str))
for s in str_columns:
    data_test[s].fillna(data_test[s].mode(),inplace=True)
for n in num_columns:
    data_test[n].fillna(data_test[n].mean(),inplace=True)
for n in zero_to_one_columns:
    data_test[n].fillna(data_test[n].mode(),inplace=True)
data_train.info()


from sklearn.ensemble import RandomForestRegressor
num_columns = ['年龄','体重','身高','体重指数', '腰围', '最高血压', '最低血压',
                '好胆固醇', '坏胆固醇', '总胆固醇','体育活动']
zero_to_one_columns = ['血脂异常','PVD','家庭高血压', '家族糖尿病']
str_columns = ['家族肝炎', '慢性疲劳','糖尿病','肥胖腰围','性别','区域','饮酒','高血压']

#使用PCA主成分分析

n = ['ALF']+num_columns+zero_to_one_columns+str_columns
print(n)
### 使用 RandomForestClassifier 填补缺失的alf属性
def set_missing_alf(df):

    # 把已有的数值型特征取出来丢进Random Forest Regressor中
    alf_df = df[n]

    # 分成已知alf和未知alf两部分
    known_alf = alf_df[alf_df.ALF.notnull()].values
    unknown_alf = alf_df[alf_df.ALF.isnull()].values

    # y即目标alf
    y = known_alf[:, 0]
    # print(y)
    # X即特征属性值
    X = known_alf[:, 1:]

    # fit到RandomForestRegressor之中
    rfr = RandomForestRegressor(random_state=0, n_estimators=2000, n_jobs=-1)
    rfr.fit(X, y)

    # 用得到的模型进行未知alf结果预测
    predictedAges = rfr.predict(unknown_alf[:, 1::])

    # 用得到的预测结果填补原缺失数据
    df.loc[ (df['ALF'].isnull()), 'ALF' ] = predictedAges 

    return df

data_train = set_missing_alf(data_train)
data_test = set_missing_alf(data_test)


import os
import pandas as pd
import warnings
from itertools import combinations
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import LabelEncoder, MinMaxScaler
from sklearn.model_selection import StratifiedKFold
from tqdm import tqdm
from xgboost import XGBClassifier
from catboost import CatBoostClassifier

%matplotlib inline
warnings.filterwarnings('ignore')
# pd.set_option('display.max_rows',None)
# pd.set_option('display.max_columns',None)


submission  =  pd.read_csv(path+'submission_example.csv') 
data_train.head()

# 字符编码
for i in str_columns:
    lbl = LabelEncoder()
    data_train[i] = lbl.fit_transform(data_train[i].astype(str))
    data_test[i] = lbl.fit_transform(data_test[i].astype(str))
# 数值归一化
data_train[num_columns] = MinMaxScaler().fit_transform(data_train[num_columns])
data_test[num_columns]  = MinMaxScaler().fit_transform(data_test[num_columns])


columns = [i for i in data_train.columns if i not in ['肝炎','ID']]

train_x,train_y = data_train[columns].values,data_train['肝炎'].values
test_x  = data_test[columns].values
submission['hepatitis'] =0


kfold = StratifiedKFold(n_splits=6, shuffle=False)
model = CatBoostClassifier(
    iterations=600,#可修改
    learning_rate=0.04,#可修改
    loss_function='Logloss'
    )
for train, valid in kfold.split(train_x, train_y):
    X_train, Y_train = train_x[train], train_y[train]
    X_valid, Y_valid = train_x[valid], train_y[valid]
    model.fit(X_train,Y_train, eval_set=(X_valid, Y_valid),use_best_model=True)
    submission['hepatitis'] += model.predict_proba(test_x)[:,1] / 6

人开始变懒了,就不写详细注释了,有问题的评论区滴滴我(虽然不一定有人看)
在这里插入图片描述

蒟蒻瑟瑟发抖
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
预测脑中风
Mu_Xing的博客
08-24 925
机器学习题目
预测
Miraclecanbeachieve的博客
04-16 1243
用于预测性维护的机器学习技术 为了进行预测性维护，首先，我们向系统中加入了传感器，用于监控和收集系统运行的数据。预测性维护所需要的数据是时间序列数据。数据包括时间戳、在该时间戳所收集的传感器读数以及设备号。预测性维护的目的是，在时间“t”，使用截至到该时间的数据来预测设备在近期是否会发生故障。 预测性维护可通过以下两种方法之一来实现： 分类方法 - 预测在接下来的 n 步中是否有可能发生故障...
机器学习肝炎预测模型machine learning for hepatitis prediction model
fulk6667g78o8的专栏
12-23 1万+
机器学习肝炎预测模型machine learning for hepatitis prediction model
解决办法：RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility. Expected 96
qq_35091353的博客
10-03 999
每次运行，都提示这样的错误： /usr/local/lib/python2.7/dist-packages/sklearn/utils/__init__.py:12: RuntimeWarning: numpy.dtype size changed, may indicate binary incompatibility. Expected 96, got 88 from .murmurhash import murmurhash3_32 /usr/local/lib/python2.7/dist-pa
智算之道——2020人工智能应用挑战赛（初赛）疾病预测结构化数据
weixin_43129474的博客
10-17 1292
智算之道（初赛）疾病预测（CatBoost、lgb、XGB三个模型投票）一、题目描述功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 一、题目描述 通过结构化的数据预测与分析，判断一名病人的是否患有肝炎。 我们对Markdown编
智算之道——人工智能应用挑战赛(初赛)-baseline 0.844
阿芒Aris的博客
10-08 1万+
智算之道——人工智能应用挑战赛(初赛)-baseline
智算之道复赛补题
BlingBling_An_的博客
08-10 263
菜得雅痞，签了个到就溜了，所以今天特来补题，看看能难成什么????哼哼哼 第二题 网格 比赛的时候知道是dp，恨得牙痒痒，就是做不出，再加上那个数字大得令人发指，感觉根本存不下，就没有继续怼着做，玻璃心太容易被劝退了，这样可不行噢~⛽ 换一种思维，我们不需要用一个棋盘那么大的二维数组去存到底是不是魔法点，我们直接用结构体数组记录下魔法点的下标不就好了？你看k的范围只在[0,2000]呢，不要害怕，你存不下不是计算机的问题而是你思维方式的问题，换一种思路让它能存下不就好了？???? 而且我们只需要初始化为根
基于机器学习的肝炎预测与研究.pdf
09-24
基于机器学习的肝炎预测与研究 机器学习是计算机科学领域中一个重要分支，它通过构建可以自动学习和改进的算法来解决复杂问题。在医疗领域，机器学习已经广泛应用于疾病诊断、预测和治疗方面。本文将机器学习技术...
行业分类-设备装置-戊型肝炎病毒IgM抗体检测试纸.zip
08-20
标题中的“行业分类-设备装置-戊型肝炎病毒IgM抗体检测试纸”表明这是一个与医疗设备或诊断试剂相关的文件，特别是涉及到戊型肝炎的检测。戊型肝炎是一种由戊型肝炎病毒（HEV）引起的急性肝炎，主要通过食物或水传播...
行业文档-设计装置-甲型肝炎病毒IgG抗体检测试纸.zip
09-07
《甲型肝炎病毒IgG抗体检测试纸》是一个重要的行业文档，主要涉及的是医疗检测设备的设计与应用。在医疗领域，这类检测试纸是用于诊断甲型肝炎病毒感染的重要工具。甲型肝炎是一种由甲型肝炎病毒（HAV）引起的急性...
NNDSS - Hepatitis (viral, acute) NNDSS-肝炎（病毒性，急性）-数据集
03-12
这是由疾病控制与预防中心托管的数据集。 NNDSS - Hepatitis (viral, acute)_datasets.txt nndss-table-ii.-hepatitis-viral-acute.csv nndss-table-ii.-hepatitis-viral-acute-a-b.csv nndss-table-ii.-hepatitis-viral-acute-by-type-a-b.csv nndss-table-ii.-hepatitis-viral-acute-by-type-c.csv nndss-table-ii.-hepatitis-viral-acute-c.csv socrata_metadata_nndss-table-ii.-hepatitis-viral-acute.json socrata_metadata_nndss-table-ii.-hepatitis-viral-acute-a-b.json socrata_metadata_nndss-table-ii.-hepatitis-viral-acute-by-type-a-b.json socrata_metadata_nndss-table-ii.-hepatitis-viral-acute-by-type-c.json socrata_metadata_nndss-table-ii.-hepatitis-viral-acute-c.json
Liver-Tumor-Segmentation:使用深度学习进行肝和肝肿瘤分割
04-27
焦斑肝和肝肿瘤分割 在该项目中，级联的U-net体系结构用于分割肝脏和肝脏肿瘤。 这是一项正在进行的工作，此回购中介绍了基本网络。 要求 [pytorch]（ ） [opencv]（ ） 数据集 数据集来自LITS挑战（ ）
中护微生物-肝炎病毒解析.ppt
09-14
中护微生物-肝炎病毒解析.ppt
2020 智算之道 情报站
夷则九的博客
07-26 191
记录一下很普通很慢的解法（还不因为自己菜） 思路： 1.建立一个标技数组，表示数字 i 是否已知 2.对每个数 x 都建立一个关系队列，用来记录与x有关系的数字y（即只知道 x+y 的和并且 x、y 均未知的情况）这里要格外注意x=y的情况，这种与第一种情报等价，即告诉了x的值 3.每次读取情报 建立一个更新队列，记录需要更新的数字 （1）若是第一种情报，如果x没有被标记（即未知），那么标记x，并把x放入更新队列 （2）若是第二种情报，x、y均未知时，将x放入y对应的关系队列，y放入x对应的关系队列 .
python案例数据集_python可视化学习实例——肝炎数据集（3）
weixin_39702479的博客
12-06 761
在前面的文章中，我们对肝炎数据集进行了缺失值填充，同时采用决策树构建等方法进一步地对数据集进行研究。在这个过程中，我们也对数据集的数据结构和基本信息有了一定的了解。今天我们将继续对这个数据集进行研究学习。主要内容：数据分析、可视化先和还没有数据的同学分享一下数据：链接：https://pan.baidu.com/s/15gdftmUHVbkh4dA79eNsjQ​pan.baidu.com提取码：...
随机森林需要分训练集测试集吗_Pandas与机器学习实例——肝炎数据集（2）
weixin_39609051的博客
11-29 659
在上一篇中，我们使用了多种方法对肝炎数据集中的缺失值进行填充，在这个过程中，也对数据集的数据结构和基本信息有了一定的了解。下面，让我们进一步对肝炎数据集进行分析。主要知识点：决策树、随机森林前文回顾：侦探L：Pandas与机器学习实例——肝炎数据集（1）​zhuanlan.zhihu.com正文开始~一、回顾一下我们的数据集，进行信息提取：df大家看一下上图我标注的地方，实际上，我们的数据表可以看...
预测分析 Python ARIMA模型预测（学习笔记）
热门推荐
Monica
11-05 1万+
import numpy as np import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm #读取数据 data=pd.read_excel("E:\Python\python3数据分析与机器学习实战\练习\chap09\data_test.xls",index_col=0) data=d...
Python数据挖掘项目：基于三种肝癌样本数据的PCA分析以及神经网络分类模型的构建
qq_42216093的博客
05-18 1679
作者CSDN：进击的西西弗斯 本文链接：https://blog.csdn.net/qq_42216093/article/details/115587741 版权声明：本文为作者原创文章，未经作者同意禁止转载或盗用 1.项目说明及流程概要： 项目说明 本文项目是我本科毕设项目其中的数据挖掘部分，包括对三种类型的肝癌基因表达数据的PCA分析以及构建神经网络分类模型。 以下是在本文的数据挖掘工作开始之前所做的准备工作： 在TCGA数据库中检索并下载41位肝细胞癌患者的基因表达数据以及相应的癌.
使用Weka进行数据挖掘与机器学习
最新发布
weixin_53840353的博客
08-06 585
在当前大数据时代，数据挖掘与机器学习已经成为了不可或缺的技术。而Weka是一个非常流行的机器学习软件，它提供了一整套的机器学习算法和数据处理工具。Weka不仅支持命令行操作和GUI，还提供了Java API，非常适合Java开发者进行数据挖掘和机器学习任务。在这篇博客中，我们将深入探讨如何使用Weka进行数据挖掘与机器学习。我们将介绍Weka的基本概念，展示如何使用其Java API进行数据预处理、建模、评估和预测。我们会通过具体的代码示例来帮助读者更好地理解这一过程。
python可视化学习-丙型肝炎患者检测
05-16
其中，class 列是我们要预测的结果，1 表示患者是丙型肝炎患者，2 表示患者不是丙型肝炎患者。 接下来，我们可以使用柱状图来查看不同性别的患者数量： ```python sex_counts = data['sex'].value_counts() plt....
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值