数据分析实战 | SVM算法——病例自动诊断分析

本文主要是介绍数据分析实战 | SVM算法——病例自动诊断分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

一、数据分析及对象

二、目的及分析任务

三、方法及工具

四、数据读入

五、数据理解

六、数据准备

七、模型训练

八、模型应用及评价

---

一、数据分析及对象

CSV文件——“bc_data.csv”

数据集链接：https://download.csdn.net/download/m0_70452407/88524905

该数据集主要记录了569个病例的32个属性，主要属性/字段如下：

（1）ID：病例的ID。

（2）Diagnosis（诊断结果）：M为恶性，B为良性。该数据集共包含357个良性病例和212个恶性病例。

（3）细胞核的10个特征值，包括radius（半径）、texture（纹理）、perimeter（周长）、面积（area）、平滑度（smoothness）、紧凑度（compactness）、凹面（concavity）、凹点（concave points）、对称性（symmetry）和分形维数（fractal dimension）等。同时，为上述10个特征值分别提供了3种统计量，分别为均值（mean）、标准差（standard error）和最大值（worst or largest）。

二、目的及分析任务

（1）使用训练集对SVM模型进行训练。

（2）使用SVM模型对威斯康星乳腺癌数据集的诊断结果进行预测。

（3）对SVM模型进行评价。

三、方法及工具

Python语言及pandas、NumPy、matplotlib、scikit-learn包。

svm.SVC的超参数及其解读：

svm.SVC的超参数及其解读

参数名称	参数类型	说明
C	浮点型，必须为正，默认值为1.0	在sklearn.svm.SVC中使用的惩罚是L2范数的平方，C对应的是此惩罚的正则化参数，即惩罚的系数。C值越大，则表明对分类错误的惩罚越大，因此分类结果更倾向于全正确的情况；C值越小，则表明对分类错误的惩罚越小，因此分类结果将允许更多的错误。
kernel	可以是以下中的任意字符：’linear','poly','rbf','sigmoid','precomputed'；默认为'rbf'。	核函数类型，'rbf'为径向基函数，'linear'为线性核，'poly'为多项式核函数
degree	类型int，默认值为3	当指定kernel为'poly'时，表示选择的多项式的最高次数，默认为三次多项式（poly）
gamma	'scale'、’auto'或者'float'，默认值为'scale'（在0.22版本之前，默认为'auto'	gamma为'rbf'、’poly'、'sigmoid'的核系数。
decision_function_shape	默认为'ovr'，只有两个值可供选择'ovr'和'ovo'	在处理多分类问题时，确定采用某种策略。'ovr'表示一对一的分类器，假如有k个类别，则需要构建k*(k-1)/2个分类器；'ovo'为一对多的分类器，假如有k个类别，则需要构建k个分类器。

四、数据读入

导入需要的第三方包：

import pandas as pd
import numpy as np
import matplotlib.pyplot#导入sklearn的svm
from sklearn import svm#导入metrics评估方法
from sklearn import metrics#train_test_split用于拆分训练集和测试集
from sklearn.model_selection import train_test_split#StandardScalery作用是去均值和方差归一化
from sklearn.preprocessing import StandardScaler

读入数据：

df_bc_data=pd.read_csv("D:\\Download\\JDK\\数据分析理论与实践by朝乐门_机械工业出版社\\第4章 分类分析\\bc_data.csv")

对数据集进行显示：

df_bc_data

五、数据理解

对数据框df_bc_data进行探索性分析，这里采用的实现方法为调用pandas包中数据框（DataFrame）的describe()方法。

df_bc_data.describe()

 查看数据集中是否存在缺失值：

df_bc_data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 569 entries, 0 to 568
Data columns (total 32 columns):#   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  0   id                       569 non-null    int64  1   diagnosis                569 non-null    object 2   radius_mean              569 non-null    float643   texture_mean             569 non-null    float644   perimeter_mean           569 non-null    float645   area_mean                569 non-null    float646   smoothness_mean          569 non-null    float647   compactness_mean         569 non-null    float648   concavity_mean           569 non-null    float649   concave points_mean      569 non-null    float6410  symmetry_mean            569 non-null    float6411  fractal_dimension_mean   569 non-null    float6412  radius_se                569 non-null    float6413  texture_se               569 non-null    float6414  perimeter_se             569 non-null    float6415  area_se                  569 non-null    float6416  smoothness_se            569 non-null    float6417  compactness_se           569 non-null    float6418  concavity_se             569 non-null    float6419  concave points_se        569 non-null    float6420  symmetry_se              569 non-null    float6421  fractal_dimension_se     569 non-null    float6422  radius_worst             569 non-null    float6423  texture_worst            569 non-null    float6424  perimeter_worst          569 non-null    float6425  area_worst               569 non-null    float6426  smoothness_worst         569 non-null    float6427  compactness_worst        569 non-null    float6428  concavity_worst          569 non-null    float6429  concave_points_worst     569 non-null    float6430  symmetry_worst           569 non-null    float6431  fractal_dimension_worst  569 non-null    float64
dtypes: float64(30), int64(1), object(1)
memory usage: 142.4+ KB

查看数据是否存在不均衡的问题：

df_bc_data['diagnosis'].value_counts()

B    357
M    212
Name: diagnosis, dtype: int64

六、数据准备

由于id一列并非为自变量或因变量，删除该列。

new_bc=df_bc_data.drop(['id'],axis=1)

将diagnosis属性字段的取值，'M'使用1代替，'B'使用0代替。

new_bc['diagnosis']=new_bc['diagnosis'].map({'M':1,'B':0})

将数据集拆分为训练集和测试集，这里使用20%的数据作为测试集。

bc_train,bc_test=train_test_split(new_bc,test_size=0.2)

将训练集和测试集的数据属性和标签进行拆分。

#对训练集的数据和标签进行拆分
bc_train_data=bc_train.iloc[:,1:]
bc_train_label=bc_train['diagnosis']
#对测试集的数据和标签进行拆分
bc_test_data=bc_test.iloc[:,1:]
bc_test_label=bc_test['diagnosis']

为了排除数值的量纲对结果的影响，需要对训练数据和预测数据进行标准化处理。

bc_train_data=StandardScaler().fit_transform(bc_train_data)
bc_test_data=StandardScaler().fit_transform(bc_test_data)

七、模型训练

使用训练集训练SVM模型。除了直接指定参数的数值之外，还可以使用自动调参计数（如GridSearchCV）进行参数选择。

bc_model=svm.SVC(C=0.2,kernel='linear') #创建SVM分类器
bc_model.fit(bc_train_data,bc_train_label)  #训练模型

SVC(C=0.2, kernel='linear')

八、模型应用及评价

使用已经训练好的SVM模型，在测试集上进行测试，并输出评价指标的取值。

#在测试集上应用模型，并进行评价
prediction=bc_model.predict(bc_test_data)
#评价指标
print("混淆矩阵：\n",metrics.confusion_matrix(bc_test_label,prediction))
print("准确率：",metrics.accuracy_score(bc_test_label,prediction))
print('查准率：',metrics.precision_score(bc_test_label,prediction))
print('召回率：',metrics.recall_score(bc_test_label,prediction))
print("F1值：",metrics.f1_score(bc_test_label,prediction))

混淆矩阵：[[74  0][ 1 39]]
准确率： 0.9912280701754386
查准率： 1.0
召回率： 0.975
F1值： 0.9873417721518987

这篇关于数据分析实战 | SVM算法——病例自动诊断分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---