基于神经网络rnn模型心脏病特征预测心脏病
预备准备：
import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")
if gpus:
gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU
tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用
tf.config.set_visible_devices([gpu0],"GPU")
gpus
代码解读数据准备：
数据介绍：
数据介绍：
age：1) 年龄
sex：2) 性别
cp：3) 胸痛类型 (4 values)
trestbps：4) 静息血压
chol：5) 血清胆甾醇 (mg/dl
fbs：6) 空腹血糖 > 120 mg/dl
restecg：7) 静息心电图结果 (值 0,1 ,2)
thalach：8) 达到的最大心率
exang：9) 运动诱发的心绞痛
oldpeak：10) 相对于静止状态，运动引起的ST段压低
slope：11) 运动峰值 ST 段的斜率
ca：12) 荧光透视着色的主要血管数量 (0-3)
thal：13) 0 = 正常；1 = 固定缺陷；2 = 可逆转的缺陷
target：14) 0 = 心脏病发作的几率较小 1 = 心脏病发作的几率更大
代码解读 import pandas as pd
import numpy as np
df = pd.read_csv("heart.csv")
df
代码解读
# 检查是否有空值
df.isnull().sum()
代码解读
数据预处理 ：
划分训练集与测试集
🍺 测试集与验证集的关系：
验证集没有参与梯度下降的过程，在狭义上未对模型参数进行训练更新。
但是从更广泛的角度来看，在机器学习中验证集的作用体现在它参与了一个"人工调参"的过程。具体而言，在每个 epoch 训练结束后观察模型在 valid data 上的表现后判断是否有必要实施 early stopping 策略；或者通过该过程观察到的性能变化来调节模型的超参数设置（如学习率、batch_size 等）。
同样可以认为，验证集在训练过程中被纳入了训练阶段，但结果发现该方法并未导致模型在验证集上发生过拟合现象。
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
X = df.iloc[:,:-1]
y = df.iloc[:,-1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.1, random_state = 1)
代码解读 X_train.shape, y_train.shape
代码解读标准化：
# 将每一列特征标准化为标准正态分布，注意，标准化是针对每一列而言的
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)
代码解读构建RNN模型：
tf.keras.layers.SimpleRNN(units,activation='tanh',use_bias=True,kernel_initializer='glorot_uniform',recurrent_initializer='orthogonal',bias_initializer='zeros',kernel_regularizer=None,recurrent_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,recurrent_constraint=None,bias_constraint=None,dropout=0.0,recurrent_dropout=0.0,return_sequences=False,return_state=False,go_backwards=False,stateful=False,unroll=False,**kwargs)
代码解读关键参数说明
● units: 正整数，输出空间的维度。
activation parameter: 所使用的激活函数类型，默认设置为双曲正切函数（tanh）。当参数设置为 None 时，则表示不应用任何激活函数（等同于线性激活，即 a(x) = x）。
● use_bias: 布尔值，该层是否使用偏置向量。
kernel_initializer: weight matrix initializer, 负责对输入进行线性变换 (参考 initializers).
recurrent_init_func: recurrent_kernel 作为权重矩阵 的 初始化函数，在循环单元的状态处理中执行 线性变换。（详见 initializers）。
● bias_initializer:偏置向量的初始化器 (详见initializers).
● dropout: 在 0 和 1 之间的浮点数。 单元的丢弃比例，用于输入的线性转换。
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN
model = Sequential()
model.add(SimpleRNN(200, input_shape= (13,1), activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()
代码解读
编译模型
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(loss='binary_crossentropy',
optimizer=opt,
metrics="accuracy")
代码解读训练模型
epochs = 100
history = model.fit(X_train, y_train,
epochs=epochs,
batch_size=128,
validation_data=(X_test, y_test),
verbose=1)
代码解读Epoch 97/100
3/3 [==============================] - 0s 25ms/step - loss: 0.2783 - accuracy: 0.8929 - val_loss: 0.3175 - val_accuracy: 0.8710
Epoch 98/100
3/3 [==============================] - 0s 25ms/step - loss: 0.2559 - accuracy: 0.9036 - val_loss: 0.3163 - val_accuracy: 0.8710
Epoch 99/100
3/3 [==============================] - 0s 24ms/step - loss: 0.2658 - accuracy: 0.8863 - val_loss: 0.3143 - val_accuracy: 0.9032
Epoch 100/100
3/3 [==============================] - 0s 24ms/step - loss: 0.2728 - accuracy: 0.8842 - val_loss: 0.3081 - val_accuracy: 0.8710
模型评估：
import matplotlib.pyplot as plt
acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs_range = range(epochs)
plt.figure(figsize=(14, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()
代码解读
scores = model.evaluate(X_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
代码解读