python预测糖尿病_Python数据挖掘 | 实战案例之预测糖尿病

二、LinearRegression使用方法

Linear regression model is located in the Sklearn.linear_model module. It primarily employs the fit method for training, where x represents data features and y denotes target categories.

sklearn中引用回归模型的代码如下：

输出的函数原型如下所示：

fit(x, y): 训练。分析模型参数，填充数据集。其中x为特征，y位标记或类属性。

该预测函数执行预测任务。此函数基于fit()得出的模型参数构建的模型，并对因变量（即分类属性）进行分类预测。最终该方法将输出对应的分类结果y_pred。

引用搬砖小工053"大神的例子：

运行结果如次所示：随后输出数据集，并同时调用sklearn库中的线性回归模型（LinearRegression()）进行训练；具体步骤为：通过fit(X,Y)函数对数据进行训练；接着利用predict()方法计算出12英寸披萨的价格；最后定义X²数组用于预测其价格

输出的图形如下所示：

线性模型中的回归系数W位于其coef_属性中。
评估函数score(X, y, sample_weight=None)将返回一个小于1的分数，并且该分数可能为负数。
截距存储于intercept_属性中。

三、线性回归判断糖尿病

1.Diabetes数据集(糖尿病数据集)

糖尿病数据集涵盖来自442名患者的生理特征信息（年龄、性别、体重和血压）以及一年后的疾病分级指标。

接着导入所需的数据后，并将其划分为测试用例和训练样本两部分进行处理；其中测试集由最后m个样本构成（m=20），而用于训练的部分则取自前m-1个样本（即diabetes.data[:-20]）。

结果显示如下：可以看到将441个样本分成两组进行训练回归模型（其中前357组用于训练回归模型），剩余165组用于预测测试集（其中测试集中的diabetes_x_test包含165个样本）。

2.完整代码

线性回归

线性回归

线性回归

线性模型：y = βX+b

线性模型：y = βX+b

X:数据 y：目标变量 β：回归系数 b:观测噪声(bias，偏差)

运行结果如下所示，包括系数、残差平方和、方差分数。

如图所示绘制图形，请问用点标记真实值的位置吗？用直线显示预测结果的趋势看起来很接近。

同时绘制图形时，想去掉坐标具体的值，可增加如下代码：

四、优化代码

在优化版本的代码中，并不是仅仅实现了基本功能，我们还对算法进行了多方面的改进。具体来说，在实现过程中我们做了以下几项重要改进：一是实现了梯度下降算法的支持；二是实现了正规方程求解的支持；三是实现了预测结果可视化展示的功能。此外，在算法实现过程中还解决了数据不完整时的插值问题，并对模型输出结果进行了概率校准处理。

运行结果如下所示：

绘制图形如下所示：

今日值班老师

“

马哥教育一号女神老师，懂IT更懂IT男。

专注解决Linux技术难题，是天生的技术专家。

如果你正好遇到了问题，为什么不找她求助一下？

豌豆

Linux面授班，报名优惠400元，只有10个名额