关于数据

1、原有数据经过一定的缺失值处理德等操作后得到数据集data_2其包括乳针吸细胞的的32特征（30项细胞特征、一项肿瘤特征、一项淋巴状态特征）194项数据，其是关于预后患者是否复发的数据；
2、补充数据集：在WPBC官网上找到的诊断数据，其共有30项特征（30项细胞特征）569例数据，为数据集data，其主要是判断患者是否肿瘤为恶性的数据。

模型求解思路

这里主要使用的算法：
1、线性的SVM支持向量机linearSVM
2、非线性（核函数方法）的SVM分类向量机。SVC

建立关于data的诊断模型建立

因为关于data的数据量比较大，笔者首先利用data数据（70%训练30%测试），得到的训练模型可以判断患者的肿瘤是否为恶性，在用于测试其是否可以用于判断预后的患者是否复发。

利用原有的数据建立预后复发判断模型

利用原有修正的数据建立预后复发判断模型

将data2数据70%训练30%测试。

数据导入与处理

#引用约定
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn import metrics
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
import numpy as np
import seaborn as sns
import pandas as pd

#导入数据
data1=pd.read_csv('data_1.csv')#原数据
data=pd.read_csv('data.csv')#补充数据
data2=pd.read_csv('data_2.csv')#修正数据

#将补充数据数据进行分块处理
datax=data.drop(['id','diagnosis'],axis = 1)
data['diagnosis']=data['diagnosis'].map({'M':1,'B':0})
datay=data['diagnosis']

#将原数据数据数据进行分块处理
data1x=data1.drop(['id','outcome','time'],axis = 1)
data1y=data1['outcome']

#将原数据数据数据进行分块处理
data2x=data2.drop(['id','outcome','time'],axis = 1)
#用于测试补充的效果，故将后两项指标删去
data2x0=data2.drop(['id','outcome','time','diameter of the excised tumor in centimeters','Lymph node status'],axis = 1)
data2['outcome']=data2['outcome'].map({'R':1,'N':0})
data2y=data2['outcome']

#采用z_Scorce规范化数据，使得每个特征维度的数据均值为0，方差为1
# ss=StandardScaler()
# datax=ss.fit_transform(datax)
# data2x=ss.fit_transform(data2x)
# data2x0=ss.fit_transform(data2x0)

#将数据分成70%的训练集与30%的测试集
datax_train, datax_test, datay_train, datay_test = train_test_split(datax, datay, test_size=0.3)

data2x_train, data2x_test, data2y_train, data2y_test = train_test_split(data2x, data2y, test_size=0.3)

data2x0_train, data2x0_test, data2y_train, data2y_test=train_test_split(data2x0, data2y, test_size=0.3)

data1x_train, data1x_test, data1y_train, data1y_test = train_test_split(data1x, data1y, test_size=0.3)

建立关于data的诊断模型

LinearSVC

基于liblinear库实现
有多种惩罚参数和损失函数可供选择
训练集实例数量大（大于1万）时也可以很好地进行归一化
既支持稠密输入矩阵也支持稀疏输入矩阵
多分类问题采用one-vs-rest方法实现
SVC

基于libsvm库实现
训练时间复杂度为0($n^2$)
训练集实例数量大（大于1万）时很难进行归一化
多分类问题采用one-vs-rest方法实现

#模型建立
model_data=svm.LinearSVC()
model_data1=svm.SVC()
model_data_1=svm.LinearSVC()
model_data_11=svm.SVC()
model_data_2=svm.LinearSVC()
model_data_21=svm.SVC()

#data linearSVC模型训练
model_data.fit(datax_train,datay_train)

d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)

##data SVC模型训练
model_data1.fit(datax_train,datay_train)

SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

#data_1 linearSVC模型训练
model_data_1.fit(data1x_train,data1y_train)

d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)

#data_1 SVC模型训练
model_data_11.fit(data1x_train,data1y_train)

SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

#data_2 linearSVC模型训练
model_data_2.fit(data2x_train,data2y_train)

d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)

#data_2 SVC模型训练
model_data_21.fit(data2x_train,data2y_train)

SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

相关参数解释
参数：

C：C-SVC的惩罚参数C?默认值是1.0
C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。

kernel ：核函数，默认是rbf，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’

– 线性：u’v

– 多项式：(gammau’v + coef0)^degree

– RBF函数：exp(-gamma|u-v|^2)

– sigmoid：tanh(gammau’v + coef0)

degree ：多项式poly函数的维度，默认是3，选择其他核函数时会被忽略。
gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’，则会选择1/n_features
coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
probability ：是否采用概率估计？.默认为False
shrinking ：是否采用shrinking heuristic方法，默认为true
tol ：停止训练的误差值大小，默认为1e-3
cache_size ：核函数cache缓存大小，默认为200
class_weight ：类别的权重，字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)
verbose ：允许冗余输出？
max_iter ：最大迭代次数。-1为无限制。
decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None3
random_state ：数据洗牌时的种子值，int值
主要调节的参数有：C、kernel、degree、gamma、coef0。

#查看拟合效果
print('补充数据的LinearSVC模型诊断肿瘤性质准确率：')
model_data.score(datax_test,datay_test)

补充数据的LinearSVC模型诊断肿瘤性质准确率：0.783625730994152

print('补充数据的SVC模型诊断肿瘤性质准确率：')
model_data1.score(datax_test,datay_test)

补充数据的SVC模型诊断肿瘤性质准确率：0.8947368421052632

print('补充数据的LinearSVC模型预后准确率：')
model_data.score(data2x0_test,data2y_test)

补充数据的LinearSVC模型预后准确率：0.559322033898305

print('补充数据的SVC模型预后准确率：')
model_data1.score(data2x0_test,data2y_test)

补充数据的SVC模型预后准确率：0.3389830508474576

print('原数据的LinearSVC模型预后准确率：')
model_data_1.score(data1x_test,data1y_test)

原数据的LinearSVC模型预后准确率：0.2711864406779661

print('原数据的SVC模型预后准确率：')
model_data_11.score(data1x_test,data1y_test)

原数据的SVC模型预后准确率：0.7288135593220338

print('原修正数据的LinearSVC模型预后准确率：')
model_data_2.score(data2x_test,data2y_test)

原修正数据的LinearSVC模型预后准确率：0.7966101694915254

print('原修正数据的SVC模型预后准确率：')
model_data_21.score(data2x_test,data2y_test)

原修正数据的SVC模型预后准确率：0.7966101694915254

降维模型

data2.head()

	id	outcome	time	radius_mean	texture_mean	perimeter_mean	area_mean	smoothness_mean	compactness_mean	concavity_mean	...	perimeter_worst	area_worst	smoothness_worst	compactness_worst	concavity_worst	concave points_worst	symmetry_worst	fractal_dimension_worst	diameter of the excised tumor in centimeters	Lymph node status
0	119513	0	31	18.02	27.600000	117.50	1013.0	0.094890	0.103600	0.1086	...	139.70	1436.0	0.119500	0.192600	0.3140	0.1170	0.267700	0.08113	5.0	5
1	8423	0	61	17.99	22.300979	122.80	1001.0	0.118400	0.142642	0.3001	...	184.60	2019.0	0.162200	0.665600	0.7119	0.2654	0.460100	0.11890	3.0	2
2	842517	0	116	21.37	17.440000	137.50	1373.0	0.088360	0.118900	0.1255	...	159.10	1949.0	0.118800	0.344900	0.3414	0.2032	0.433400	0.09067	2.5	0
3	843483	0	123	11.42	20.380000	77.58	386.1	0.102774	0.142642	0.2414	...	98.87	567.7	0.143921	0.364567	0.6869	0.2575	0.322251	0.17300	2.0	0
4	843584	1	27	20.29	14.340000	135.10	1297.0	0.100300	0.132800	0.1980	...	152.20	1575.0	0.137400	0.205000	0.4000	0.1625	0.236400	0.07678	3.5	0

5 rows × 35 columns

feature_mean=list(data2.columns[3:13])
feature_se=list(data2.columns[11:21])
feature_worst=list(data2.columns[21:31])
feature_other=list(data2.columns[31:33])
print(feature_mean)

['radius_mean', 'texture_mean', 'perimeter_mean', 'area_mean', 'smoothness_mean', 'compactness_mean', 'concavity_mean', 'concave points_mean', 'symmetry_mean', 'fractal_dimension_mean']

feature_remain=['texture_mean','area_mean','concavity_mean','compactness_mean','radius_worst','texture_worst','perimeter_worst','compactness_worst','area_worst','concavity_worst']
data3=data2[feature_remain]
data3.head()

	texture_mean	area_mean	concavity_mean	compactness_mean	radius_worst	texture_worst	perimeter_worst	compactness_worst	area_worst	concavity_worst
0	27.600000	1013.0	0.1086	0.103600	21.63	37.08	139.70	0.192600	1436.0	0.3140
1	22.300979	1001.0	0.3001	0.142642	25.38	17.33	184.60	0.665600	2019.0	0.7119
2	17.440000	1373.0	0.1255	0.118900	24.90	20.98	159.10	0.344900	1949.0	0.3414
3	20.380000	386.1	0.2414	0.142642	14.91	26.50	98.87	0.364567	567.7	0.6869
4	14.340000	1297.0	0.1980	0.132800	22.54	16.67	152.20	0.205000	1575.0	0.4000

#采用z_Scorce规范化数据，使得每个特征维度的数据均值为0，方差为1
# ss=StandardScaler()
# data3x=ss.fit_transform(data3)
data3x_train, data3x_test, data3y_train, data3y_test = train_test_split(data3, data2y, test_size=0.3)

model_data_3=svm.LinearSVC()
model_data_31=svm.SVC()

#data_3 linearSVC模型训练
model_data_3.fit(data3x_train,data3y_train)

d:\program_for_code\python\lib\site-packages\sklearn\svm\_base.py:947: ConvergenceWarning: Liblinear failed to converge, increase the number of iterations."the number of iterations.", ConvergenceWarning)LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)

#data_3 linearSVC模型训练
model_data_31.fit(data3x_train,data3y_train)

SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

#查看拟合效果
print('降维数据的LinearSVC模型诊断肿瘤性质准确率：')
model_data_3.score(data3x_test,data3y_test)

降维数据的LinearSVC模型诊断肿瘤性质准确率：0.7627118644067796

#查看拟合效果
print('降维数据的SVC模型诊断肿瘤性质准确率：')
model_data_31.score(data3x_test,data3y_test)

降维数据的SVC模型诊断肿瘤性质准确率：0.7627118644067796

主成分分析

利用SPSS提取出7个主成分，分别为：FAC1_1~FAC2_2

data_PCA=pd.read_csv('主成分.csv')
data_PCA.head()

	outcome	FAC1_1	FAC2_1	FAC3_1	FAC4_1	FAC5_1	FAC6_1	FAC7_1
0	N	0.056555	-0.854017	-0.641684	1.600536	0.233733	0.678122	0.851336
1	N	1.190768	1.652260	0.217565	-1.164537	2.576727	1.693878	-0.012999
2	N	0.938121	-1.049531	0.619337	-1.586026	2.958155	-1.203444	-0.379524
3	N	-1.377811	1.105750	0.871857	-0.407618	0.502238	-0.001458	-0.512918
4	R	0.573373	-0.626717	1.645737	-2.419531	-1.445667	0.121050	-0.215974

模型改进分析

1、与假阳性案例相比，自定义损失函数以惩罚假阴性（真实R但预测为N）案例，因为假阴性在真实环境中可能威胁生命，而假阳性只是相对烦恼。
2、深入研究我们预测错误的案例。这将帮助我了解模型出了什么问题以及如何（如果可能）解决此问题。
3、在系统中添加“模糊性”，以将困难的案例定向给人类专家，这样我们就避免了危及生命的情况。
4、使用t-sne图可视化这两个类别。 深入研究降维，以仅选择最佳维数以节省计算能力。
5、在此数据上比较神经网络，梯度提升和knn的性能。 尝试概率图形模型。
6、通过删除相关特征并一次添加一个特征（最重要）来比较模型性能。 数据大小对模型性能的影响。

data_PCAx=data_PCA.drop(['outcome'],axis=1)
data_PCA['outcome']=data_PCA['outcome'].map({'R':1,'N':0})
data_PCAy=data_PCA['outcome']

#采用z_Scorce规范化数据，使得每个特征维度的数据均值为0，方差为1
#ss=StandardScaler()
#data_PCAx=ss.fit_transform(data_PCAx)

#将数据分成70%的训练集与30%的测试集
data_PCAx_train, data_PCAx_test, data_PCAy_train, data_PCAy_test = train_test_split(data_PCAx, data_PCAy, test_size=0.3)

#模型构建
model_data_PCA=svm.LinearSVC()
model_data_PCA1=svm.SVC()

#linearSVC模型构建
model_data_PCA.fit(data_PCAx_train,data_PCAy_train)

LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,intercept_scaling=1, loss='squared_hinge', max_iter=1000,multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,verbose=0)

print('原数据经过PCA降维后的linearSVC模型预后准确率：')
model_data_PCA.score(data_PCAx_test,data_PCAy_test)

原数据经过PCA降维后的linearSVC模型预后准确率：0.8305084745762712

#linearSVC模型构建
model_data_PCA1.fit(data_PCAx_train,data_PCAy_train)

SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovr', degree=3, gamma='scale', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

print('原数据经过PCA降维后的SVC模型预后准确率：')
model_data_PCA1.score(data_PCAx_test,data_PCAy_test)

原数据经过PCA降维后的SVC模型预后准确率：0.847457627118644

KNN

尝试使用KNN算法进行分类

from sklearn.neighbors import KNeighborsClassifier

knn=KNeighborsClassifier(n_neighbors=5,p=2,metric='minkowski')

knn.fit(data_PCAx_train,data_PCAy_train)

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',metric_params=None, n_jobs=None, n_neighbors=5, p=2,weights='uniform')

knn.score(data_PCAx_test,data_PCAy_test)

0.7457627118644068

knn.fit(data2x_train,data2y_train)

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',metric_params=None, n_jobs=None, n_neighbors=5, p=2,weights='uniform')

knn.score(data2x_test,data2y_test)

0.7627118644067796

data.head()

	id	diagnosis	radius_mean	texture_mean	perimeter_mean	area_mean	smoothness_mean	compactness_mean	concavity_mean	concave points_mean	...	radius_worst	texture_worst	perimeter_worst	area_worst	smoothness_worst	compactness_worst	concavity_worst	concave points_worst	symmetry_worst	fractal_dimension_worst
0	842302	M	17.99	10.38	122.80	1001.0	0.11840	0.27760	0.3001	0.14710	...	25.38	17.33	184.60	2019.0	0.1622	0.6656	0.7119	0.2654	0.4601	0.11890
1	842517	M	20.57	17.77	132.90	1326.0	0.08474	0.07864	0.0869	0.07017	...	24.99	23.41	158.80	1956.0	0.1238	0.1866	0.2416	0.1860	0.2750	0.08902
2	84300903	M	19.69	21.25	130.00	1203.0	0.10960	0.15990	0.1974	0.12790	...	23.57	25.53	152.50	1709.0	0.1444	0.4245	0.4504	0.2430	0.3613	0.08758
3	84348301	M	11.42	20.38	77.58	386.1	0.14250	0.28390	0.2414	0.10520	...	14.91	26.50	98.87	567.7	0.2098	0.8663	0.6869	0.2575	0.6638	0.17300
4	84358402	M	20.29	14.34	135.10	1297.0	0.10030	0.13280	0.1980	0.10430	...	22.54	16.67	152.20	1575.0	0.1374	0.2050	0.4000	0.1625	0.2364	0.07678

5 rows × 32 columns

小结

 以上内容主要为笔者jupyter notebook的5月初建模的内容，赛后还未进行详细的注释阐述，主要研究内容是如何选用算法得到较高的正确率，数据集的特点是不到200份，所以做出的效果不如WPBC官网500数据量的数据集的效果，迫于时间精力的有限，暂定以此作为结果，不足之处望读者多多指正。