Python----机器学习（基于贝叶斯的糖尿病分类）

        贝叶斯方法是一种统计推断的 方法，它利用贝叶斯定理来更新我们对事件概率的信念。这种方法在机器学习和数据 分析中得到广泛应用，特别是在分类和概率估计问题上。

一、数据集介绍

        使用的数据集是早期糖尿病预测数据集Early Stage Diabetes Risk Prediction - UCI Machine Learning Repository，包括16个特征和一个目标。

数据集地址：

        早期糖尿病风险预测 - UCI Machine Learning Repository

变量名称	角色	类型	中文	描述	单位	缺失值
Age	Feature	Integer	年龄			no
Gender	Feature	Categorical	性别			no
Polyuria	Feature	Binary	多尿			no
Polydipsia	Feature	Binary	多饮			no
weight loss	Feature	Binary	体重骤降			no
weakness	Feature	Binary	乏力			no
Polyphagia	Target	Binary	多食			no
Genital thrush	Feature	Binary	生殖器念珠菌感染			no
visual_blurring	Feature	Binary	视力模糊			no
itching	Feature	Binary	瘙痒			no
irritability	Feature	Binary	易怒			no
delayed healing	Feature	Binary	伤口愈合延迟			no
partial paresis	Feature	Binary	部分瘫痪			no
muscle	Feature	Binary	肌肉僵硬			no
stiffness	Feature	Binary	脱发			no
Obesity	Feature	Binary	肥胖			no
class	Target	Binary	类别			no

二、设计思路 

2.1、读取数据集

import pandas as pd
df=pd.read_csv('diabetes_data_upload.csv')
df.head()

2.2、划分特征

X=df.drop(columns='class')
y=df['class']

2.3、独热编码

        在数据集中好多都为为分类变量，使用one-hot编码处理

categorical_features = X.keys()
X = pd.get_dummies(X, columns=categorical_features)

2.4、划分数据集和训练集

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,train_size=0.5,random_state=42)

2.5、标准化

from sklearn.preprocessing import StandardScaler
scaler=StandardScaler()
X_train_scaler=scaler.fit_transform(X_train)
X_test_scaler=scaler.transform(X_test)

2.6、模型的构建，训练，预测

from sklearn.naive_bayes import GaussianNB
gb=GaussianNB()
gb.fit(X_train,y_train)
y_pred=gb.predict(X_test)

2.7、模型评估

        对模型的性能进行评估。我们使用测试集进行预测，并计算准 确率、混淆矩阵和分类报告等指标来了解模型的表现。

   准确度 (Accuracy):准确度是正确预测的样本数与总样本数之比。

        混淆矩阵（Classification Report）： 混淆矩阵显示了模型的分类情况。对角线上的元素表示正确分类的样本数，而非对角 线上的元素表示错误分类的样本数。例如，29个类别一被正确分类，而5个类别二被 错误分类成类别三。

分类报告 (Classification Report):

        分类报告提供了更详细的性能指标，包括精度(precision)、召回率(recall)、F1分数 (f1-score)等。

from sklearn.metrics import accuracy_score,confusion_matrix,classification_report
# 准确率：计算分类模型的准确率，也可以计算准确个数
accuracy = accuracy_score(y_test, y_pred)
 
# 混淆矩阵：可以直观的展示分类模型在各个类别上的预测情况。
# 返回一个二维数组（也就是混淆矩阵），矩阵的行表示真实类别，矩阵的列表示预测类别
conf_matrix = confusion_matrix(y_test, y_pred)
 
# 真反例：实际类别是反例，模型预测也是反例。
# 精准率：指该类别被正确预测的样本数(真正例)与所有被预测为该类别的样本数（假正例）。 真正例/(真正例+假正例)
# 召回率：指该类别被正确预测的样本数(真正例)与所有实际属于该类别的样本数(假反例)。  真正例(真正例+假反例)
# f1值：精准率与召回率的调和平均数 ： 2 * pre * recall / (pre + recall)
# 支持度：指每个类别在真实标签中出现的样本数量
# 宏平均：对各个类别指标（pre、recall、f1）的简单平均
# 加权平均：根据每个类别的支持度对每个类别指标进行加权平均
class_report = classification_report(y_test, y_pred)
 
print(f'Accuracy: {accuracy}')
print(f'Confusion Matrix: \n{conf_matrix}')
print(f'Classfication Report: \n{class_report}')

2.8、可视化

        使用t-SNE对SVM模型的决策函数结果进行降维，创建散点图进行可视 化，以便更直观地理解模型在二维空间中的预测结果。

from matplotlib import pyplot as plt
from sklearn.manifold import TSNE
from sklearn.preprocessing import LabelEncoder
# 数据可视化，降维  使用t-sne算法进行降维操作，将特征讲到2维，方便可视化
tsne = TSNE(n_components=2)
x_tsne = tsne.fit_transform(X_test_scaler)
 
# 将字符串标签转换为数值标签，方便画图
label_encoder = LabelEncoder()
y_test_numeric = label_encoder.fit_transform(y_pred)
 
 
# 绘制图像
plt.figure(figsize=(8, 6))
scatter = plt.scatter(x_tsne[:, 0], x_tsne[:, 1], c=y_test_numeric, cmap='viridis')
plt.title('t-SNE Visualization of naive_bayes Predictions')
plt.legend(*scatter.legend_elements(), title='Classes')
plt.show()

三、完整代码

import pandas as pd  
from sklearn.naive_bayes import GaussianNB  
from sklearn.preprocessing import StandardScaler  
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report  
from matplotlib import pyplot as plt  
from sklearn.model_selection import train_test_split  
from sklearn.manifold import TSNE  
from sklearn.preprocessing import LabelEncoder  

# 从CSV文件中加载糖尿病数据集  
df = pd.read_csv('diabetes_data_upload.csv')  
print(df.head())  # 显示数据集的前几行以便检查  

# 划分特征（X）和标签（y）  
X = df.drop(columns='class')  # 特征：除了'class'以外的所有列  
y = df['class']                # 标签：'class'列  

# 获取特征的名称（类别特征）  
categorical_features = X.keys()  
# 将类别特征转换为独热编码（one-hot encoding）  
X = pd.get_dummies(X, columns=categorical_features)  

# 将数据集分为训练集和测试集，训练集占50%  
X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.5, random_state=42)  

# 对特征进行标准化，去除均值并缩放到单位方差  
scaler = StandardScaler()  
X_train_scaler = scaler.fit_transform(X_train)  # 拟合并转换训练数据  
X_test_scaler = scaler.transform(X_test)        # 转换测试数据  

# 初始化并训练高斯朴素贝叶斯分类器  
gb = GaussianNB()  
gb.fit(X_train, y_train)  # 用训练数据拟合模型  
y_pred = gb.predict(X_test)  # 对测试集进行预测  

# 准确率：计算分类模型的准确率，也可以计算准确个数  
accuracy = accuracy_score(y_test, y_pred)  # 计算模型准确率  
   
# 混淆矩阵：可以直观展示分类模型在各个类别的预测情况。  
# 返回一个二维数组（也就是混淆矩阵），矩阵的行表示真实类别，矩阵的列表示预测类别  
conf_matrix = confusion_matrix(y_test, y_pred)  # 计算混淆矩阵  
   
# 真反例：实际类别是反例，模型预测也是反例。  
# 精准率：指该类别被正确预测的样本数(真正例)与所有被预测为该类别的样本数（假正例）。 真正例/(真正例+假正例)  
# 召回率：指该类别被正确预测的样本数(真正例)与所有实际属于该类别的样本数(假反例)。  真正例(真正例+假反例)  
# f1值：精准率与召回率的调和平均数 ： 2 * pre * recall / (pre + recall)  
# 支持度：每个类别在真实标签中出现的样本数量  
# 宏平均：对各个类别指标（pre、recall、f1）的简单平均  
# 加权平均：根据每个类别的支持度对每个类别指标进行加权平均  
class_report = classification_report(y_test, y_pred)  # 生成分类报告  
   
# 打印模型的准确率  
print(f'Accuracy: {accuracy}')  
# 打印混淆矩阵  
print(f'Confusion Matrix: \n{conf_matrix}')  
# 打印分类报告  
print(f'Classification Report: \n{class_report}')  

# 数据可视化，降维，使用t-SNE算法进行降维处理，将特征转为二维，方便可视化  
tsne = TSNE(n_components=2)  # 初始化t-SNE，用于2D可视化  
x_tsne = tsne.fit_transform(X_test_scaler)  # 拟合并转换测试集  
   
# 将字符串标签转换为数值标签，方便绘图  
label_encoder = LabelEncoder()  
y_test_numeric = label_encoder.fit_transform(y_pred)  # 将预测标签转换为数值型以便绘图  
   
# 绘制图像  
plt.figure(figsize=(8, 6))  # 创建绘图的画布  
scatter = plt.scatter(x_tsne[:, 0], x_tsne[:, 1], c=y_test_numeric, cmap='viridis')  # 绘制t-SNE结果的散点图  
plt.title('t-SNE可视化朴素贝叶斯预测结果')  # 设置图表标题  
plt.legend(*scatter.legend_elements(), title='类别')  # 添加类别图例  
plt.show()  # 显示图表