手把手丨咱們在UCL找到了一個糖尿病數據集，用機器學習預測糖尿病（一）

做者：Susan Li 

編譯：袁雪瑤、吳雙、姜範波

　　根據美國疾病控制預防中心的數據，如今美國1/7的成年人患有糖尿病。可是到2050年，這個比例將會快速增加至高達1/3。咱們在UCL機器學習數據庫裏一個糖尿病數據集，但願能夠經過這一數據集，瞭解如何利用機器學習來幫助咱們預測糖尿病，讓咱們開始吧！

       https://github.com/susanli2016/Machine-Learning-with-Python/blob/master/diabetes.csv

數據：

　　糖尿病數據集可從UCI機器學習庫中獲取並下載。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
diabetes=pd.read_csv('C:\Download\Machine-Learning-with-Python-master\Machine-Learning-with-Python-master\diabetes.csv')
print(diabetes.columns)

　　

Index(['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin',
　　　　'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome'],
      dtype='object')
特徵（懷孕次數，血糖，血壓，皮脂厚度，胰島素，BMI身體質量指數，糖尿病遺傳函數，年齡，結果）

diabetes.head()

　　

print(diabetes.groupby('Outcome').size())

Outcome
0    500
1    268
dtype: int64   「結果」是咱們將要預測的特徵，0意味着未患糖尿病，1意味着患有糖尿病。在768個數據點中，500個被標記爲0,268個標記爲1。

print("dimennsion of diabetes data:{}".format(diabetes.shape))

dimennsion of diabetes data:(768, 9)，糖尿病數據集由768個數據點組成，各有9個特徵。

import seaborn as sns
sns.countplot(diabetes['Outcome'],label="Count")

　　

KNN算法：

　　k-NN算法幾乎能夠說是機器學習中最簡單的算法。創建模型只需存儲訓練數據集。而爲了對新的數據點作出預測，該算法會在訓練數據集中找到與其相距最近的數據點——也就是它的「近鄰點」。首先，讓咱們研究一下是否可以確認模型的複雜度和精確度之間的關係：

from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(diabetes.loc[:,diabetes.columns !='Outcome'],diabetes['Outcome'],stratify=diabetes['Outcome'],random_state=66)
from sklearn.neighbors import KNeighborsClassifier
training_accuracy=[]
test_accuracy=[]
#try n_neighbors from 1 to 10
neighbors_settings=range(1,11)

for n_neighbors in neighbors_settings:
    #build the model
    knn=KNeighborsClassifier(n_neighbors=n_neighbors)
    knn.fit(x_train,y_train)
    #record training set accuracy
    training_accuracy.append(knn.score(x_train,y_train))
    #record test set accuracy
    test_accuracy.append(knn.score(x_test,y_test))
plt.plot(neighbors_settings,training_accuracy,label="training accuracy")
plt.plot(neighbors_settings,test_accuracy,label="test accuracy")
plt.ylabel("Accuracy")
plt.xlabel("n_neighbors")
plt.legend()
plt.savefig('knn_compare_model')

　　

　　上圖展現了訓練集和測試集在模型預測準確度（y軸）和近鄰點個數設置（x軸）之間的關係。若是咱們僅選擇一個近鄰點，那麼訓練集的預測是絕對正確的。可是當更多的近鄰點被選入做爲參考時，訓練集的準確度會降低，這代表了使用單一近鄰會致使模型太過複雜。這裏的最好方案能夠從圖中看出是選擇9個近鄰點。

　　圖中建議咱們應該選擇n_neighbors=9，下面給出：

knn=KNeighborsClassifier(n_neighbors=9)
knn.fit(x_train,y_train)

print('Accuracy of K-NN classifier on training set:{:.2f}'.format(knn.score(x_train,y_train)))
print('Accuracy of K-NN classifier on training set:{:.2f}'.format(knn.score(x_test,y_test)))

Accuracy of K-NN classifier on training set:0.79
Accuracy of K-NN classifier on training set:0.78