Top proiect de predicție a bolilor cardiace în 2022

Bun venit la acest tutorial pas cu pas al proiectului nostru de predicție a bolilor de inimă. Aici, veți crea un model de învățare automată care prezice dacă un pacient poate fi diagnosticat cu boli de inimă sau nu.

Ar trebui să fiți familiarizat cu elementele de bază ale învățării automate și ale analizei datelor pentru a lucra la acest proiect. Acest proiect necesită să fiți familiarizat cu mai mulți algoritmi ML, inclusiv Random Forest, K-NN (K-cel mai apropiat vecin) și multe altele.

Vom efectua dispute, filtrare și testare a datelor a șase algoritmi ML diferiți pentru a găsi care dintre ele oferă rezultatele optime pentru setul nostru de date. Sa incepem:

Obiectivul proiectului de predicție a bolilor cardiace

Scopul proiectului nostru de predicție a bolilor de inimă este de a determina dacă un pacient ar trebui să fie diagnosticat cu boală de inimă sau nu, ceea ce este un rezultat binar, deci:

Rezultat pozitiv = 1, pacientul va fi diagnosticat cu boală cardiacă.

Rezultat negativ = 0, pacientul nu va fi diagnosticat cu boală cardiacă.

Trebuie să găsim care model de clasificare are cea mai mare acuratețe și să identificăm corelații în datele noastre. În cele din urmă, trebuie să stabilim și care caracteristici sunt cele mai influente în diagnosticul bolilor noastre de inimă.

Caracteristici

Folosim următoarele 13 caracteristici (X) pentru a determina predictorul nostru (Y):

1. Vârstă.
2. Sex: 1 = Masculin, 0 = Femeie.
3. (cp) tip de durere toracică (4 valori – Ordinal), 1-a valoare: angină tipică, a 2-a valoare: angina atipică, a 3-a valoare: durere non-anginoasă, a 4-a valoare: asimptomatică.
4. (testbps) tensiune arterială în repaus.
5. (chol) colesterol seric.
6. (Fbs) – glicemia a jeun > 120 mg/dl.
7. (restecg) – rezultate electrocardiografie de repaus.
8. (talah) – ritmul cardiac maxim atins.
9. (exang) – angină pectorală indusă de efort.
10. (vârful vechi) – Depresiunea ST cauzată de efort relativ la odihnă.
11. (pantă) – panta segmentului ST de vârf de exercițiu.
12. (ca) – numărul de vase majore colorate prin fluoroscopie.
13. (thal) – ritmul cardiac maxim atins (Ordinal), 3 = normal, 6 = defect fix, 7 = defect reversibil.

Pasul #1: Conflictul de date

Mai întâi ne vom uita la setul de date cu care lucrăm, transformându-l într-un format mai simplu și mai ușor de înțeles. Ne-ar ajuta să folosim datele în mod mai adecvat.

import numpy ca np

importa panda ca pd

import matplotlib ca plt

import seaborn ca sns

import matplotlib.pyplot ca plt

filePath = '/Users/upgrad/Downloads/datasets-33180-43520-heart.csv'

date = pd.read_csv(filePath)

data.head(5)

Așa cum codul de mai sus ne-a ajutat să afișăm datele noastre în formă tabelară, vom folosi următorul cod pentru o discuție ulterioară a datelor:

print(„(Rânduri, coloane): ” + str(data.shape))

date.coloane

Codul de mai sus va afișa numărul total de rânduri și coloane și numele coloanelor din setul nostru de date. Numărul total de rânduri și coloane din datele noastre este de 303, respectiv 14. Acum vom găsi numărul de valori unice pentru fiecare variabilă folosind următoarea funcție:

data.nunique(axa=0

În mod similar, următoarea funcție rezumă media, numărul, abaterea standard, minim și maxim pentru variabilele numerice:

data.describe()

Pasul #2: Efectuarea EDA

Acum, că am finalizat disputele de date, putem efectua o analiză exploratorie a datelor. Iată principalele sarcini pe care le vom îndeplini în această etapă a proiectului nostru de predicție a bolilor de inimă:

Găsirea corelațiilor

Vom crea o matrice de corelație care ne ajută să vedem corelațiile dintre diferite variabile:

corr = data.corr()

plt.subplots(figsize=(15,10))

sns.heatmap(corr, xticklabels=corr.columns, yticklabels=corr.columns, annot=True, cmap=sns.diverging_palette(220, 20, as_cmap=True))

sns.heatmap(corr, xticklabels=corr.columns,

yticklabels=corr.columns,

annot=Adevărat,

cmap=sns.diverging_palette(220, 20, as_cmap=True))

Pentru a găsi corelații imediate între caracteristici, putem crea și diagrame de perechi. Vom folosi diagrame de perechi mici cu doar variabile continue pentru a analiza mai profund relațiile:

subData = date[['age','testbps','chol','thalach','oldpeak']]

sns.pairplot(subData)

Folosind Vioara și Box Plots

Cu Violin and Box plots putem vedea statisticile de bază și distribuția datelor noastre. Îl puteți folosi pentru a compara distribuția unei anumite variabile în diferite categorii. Ne va ajuta să identificăm și valorile aberante din date. Utilizați următorul cod:

plt.figure(figsize=(12,8))

sns.violinplot(x= 'țintă', y= 'vârf vechi',hue=”sex”, inner='quartilă',data=date)

plt.title(„Nivelul Thalach vs. boli de inimă”,fontsize=20)

plt.xlabel(„Țintă pentru boli de inimă”, fontsize=16)

plt.ylabel(„Thalach Level”, fontsize=16)

În primul grafic Violin and Box, constatăm că pacienții pozitivi au o medie mai mică pentru depresia ST decât pacienții negativi. Deci, vom folosi un grafic pentru a compara nivelul depresiei ST și bolile de inimă.

plt.figure(figsize=(12,8))

sns.boxplot(x= 'țintă', y= 'thalach',hue=”sex”, date=date)

plt.title(„Nivelul depresiei ST vs. boli de inimă”, fontsize=20)

plt.xlabel(„Țintă pentru boli de inimă”,fontsize=16)

plt.ylabel(„Depresiunea ST indusă de exercițiu relativ la repaus”, fontsize=16)

Aici, pacienții pozitivi au avut o medie mai mare pentru nivelul depresiei ST în comparație cu pacienții negativi.

Filtrarea datelor

Acum vom filtra datele în funcție de pacienții cu boli cardiace pozitive și negative. Vom începe cu filtrarea datelor în funcție de pacienții cu boli cardiace pozitive:

pos_data = date[data['target']==1]

pos_data.describe()

În mod similar, vom filtra datele în funcție de pacienții cu boli cardiace negative:

pos_data = date[data['target']==0]

pos_data.describe()

Pasul #3: Utilizarea algoritmilor de învățare automată

Pregătirea

Aici, vom pregăti datele pentru antrenament, atribuind caracteristicile lui X și ultima coloană predictorului Y:

X = date.iloc[:, :-1].valori

Y = date.iloc[:, -1}.valori

Apoi, vom împărți datele în două seturi, set de antrenament și set de testare:

din sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(X,y,test_size = 0,2, random_state = 1)

În cele din urmă, vom normaliza datele, astfel încât distribuția lor să aibă o medie de 0:

din sklearn.preprocessing import StandardScaler

sc = StandardScaler()

x_train = sc.fit_transform(x_train)

x_test = sc.transform(x_test)

Antrenarea modelului

În această secțiune, vom folosi mai mulți algoritmi de învățare automată și vom găsi pe cel care oferă cea mai mare acuratețe:

Primul model: Regresia logistică

din sklearn.metrics import classification_report

din sklearn.linear_model import LogisticRegression

model1 = LogisticRegression(random_state=1) # obține o instanță a modelului

model1.fit(x_train, y_train) # Antrenează/Fit model

y_pred1 = model1.predict(x_test) # obțineți predicții y

print(classification_report(y_test, y_pred1)) # acuratețea ieșirii

Precizia acestui model a fost de 74%.

Al doilea model: K-NN (K-Cei mai apropiati vecini)

din sklearn.metrics import classification_report

din sklearn.neighbours import KNeighboursClassifier

model2 = KNeighboursClassifier() # obține o instanță a modelului

model2.fit(x_train, y_train) # Antrenează/Fit model

y_pred2 = model2.predict(x_test) # obțineți predicții y

print(classification_report(y_test, y_pred2)) # acuratețea ieșirii

Precizia acestui model a fost de 75%.

Al treilea model: Suport Vector Machine (SVM)

din sklearn.metrics import classification_report

din sklearn.svm import SVC

model3 = SVC(random_state=1) # obține o instanță a modelului

model3.fit(x_train, y_train) # Antrenează/Fit model

y_pred3 = model3.predict(x_test) # obțineți predicții y

print(classification_report(y_test, y_pred3)) # acuratețea ieșirii

Precizia acestui model a fost de 75%.

Al 4-lea model: Naive Bayes Clasifier

din sklearn.metrics import classification_report

din sklearn.naive_bayes import GaussianNB

model4 = GaussianNB() # obține o instanță a modelului

model4.fit(x_train, y_train) # Antrenează/Fit model

y_pred4 = model4.predict(x_test) # obțineți predicții y

print(classification_report(y_test, y_pred4)) # acuratețea ieșirii

Precizia acestui model a fost de 77%.

Al 5-lea model: Random Forest

din sklearn.metrics import classification_report

din sklearn.ensemble import RandomForestClassifier

model6 = RandomForestClassifier(random_state=1)# obține o instanță a modelului

model6.fit(x_train, y_train) # Antrenează/Fit model

y_pred6 = model6.predict(x_test) # obțineți predicții y

print(classification_report(y_test, y_pred6)) # acuratețea ieșirii

Acest model a avut cea mai mare precizie de 80%.

Al șaselea model: XGBoost

de la xgboost import XGBClassifier

model7 = XGBClassifier(random_state=1)

model7.fit(x_train, y_train)

y_pred7 = model7.predict(x_test)

print(raport_clasificare(y_test, y_pred7))

Precizia acestui model a fost de 69%.

După ce am testat diferiți algoritmi ML, am constatat că cel mai bun a fost Random Forest, deoarece ne-a oferit o precizie optimă de 80%.

Rețineți că orice procent de precizie mai mare de 80% este prea bun pentru a fi adevărat și ar putea fi din cauza supraajustării. De aceea, 80% este numărul optim de atins.

Pasul #4: Găsirea scorului caracteristicii

Aici, vom găsi Scorul caracteristicilor, care ne ajută să luăm decizii importante, spunându-ne care caracteristică a fost cea mai utilă pentru modelul nostru:

# obține importanță

importanta = model6.feature_importances_

# rezuma importanța caracteristicii

pentru i,v în enumerate(importanța):

print('Feature: %0d, Scor: %.5f' % (i,v))

Am descoperit că primele patru caracteristici au fost tipul durerii în piept (cp), ritmul cardiac maxim atins (talah), numărul de vase majore (ca) și depresia ST cauzată de efort în raport cu repausul (vârful vechi).

Concluzie

Felicitări, acum ați finalizat cu succes proiectul de predicție a bolilor de inimă. Am avut 13 caracteristici, dintre care am constatat că cele mai importante au fost tipul durerii în piept și ritmul cardiac maxim atins.

Am testat șase algoritmi ML diferiți și am constatat că cel mai precis algoritm a fost Random Forest. Ar trebui să testați acest model cu setul de testare și să vedeți cât de bine funcționează acest model.

Pe de altă parte, dacă doriți să aflați mai multe despre învățarea automată și AI, vă recomandăm să consultați cursurile noastre AI . Veți studia direct de la experți din industrie și veți lucra la proiecte din industrie care vă permit să vă testați cunoștințele. Verificați-le dacă sunteți interesat de o carieră în învățarea automată și AI.

Dacă sunteți interesat să aflați mai multe despre învățarea automată, consultați Programul Executive PG de la IIIT-B și upGrad în Învățare automată și IA, care este conceput pentru profesioniști care lucrează și oferă peste 450 de ore de pregătire riguroasă, peste 30 de studii de caz și sarcini, IIIT -B Statut de absolvenți, peste 5 proiecte practice practice și asistență pentru locuri de muncă cu firme de top.