【深度学习练习】心脏病预测
发布时间
阅读量：
阅读量
- 🍰 本文源自🔗365天深度学习训练营 的学习笔记博客
- **🔥 作者是K同学啊
一、什么是RNN
RNN与传统神经网络的主要区别在于,每一次都会将前一时刻的输出传递到下一个隐藏层进行联合训练.如图所示:
二、前期工作
1. 设置GPU
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")
python2. 导入数据
数据介绍：
age: 年龄
sex: 性别
cp: 胸痛类型（共4个值）
trestbps: 静息血压（mmHg测量值）
chol: 血清胆固醇水平（mg/dl单位）
fbs: 空腹血糖超过120 mg/dl的情况
restecg: 静息心电图结果（数值为0,1,2）
thalach: 最大心率（达到的最大速率）
exang: 运动诱发的心绞痛情况
oldpeak: 相对于静止状态时运动所引起的ST段压低幅度（单位：mm）
slope: 运动阶段ST段上升或下降的斜率类型
ca: 主要冠状动脉扩张的颜色变化数量（0-3个颜色变化）
thal: 血管病变程度评分（0=正常；1=固定缺血；2=可逆缺血）
target: 心脏病发作风险评估结果（0=低风险；1=高风险）
import pandas as pd
import numpy as np
df = pd.read_csv(r"D:\Personal Data\Learning Data\DL Learning Data\heart.csv")
df
python输出：
3. 检查数据
df.isnull().sum()
python输出：
三、数据预处理
1. 划分数据集
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)
python x_train.shape, y_train.shape
python输出：
2. 标准化
# 将每一列特征标准化为标准正太分布，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)
python3. 构建RNN模型
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN
model = Sequential()
model.add(SimpleRNN(128, input_shape= (13,1),return_sequences=True,activation='relu'))
model.add(SimpleRNN(64,return_sequences=True, activation='relu'))
model.add(SimpleRNN(32, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()
python
输出：
五、编译模型
opt = tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(loss='binary_crossentropy', optimizer=opt,metrics=['accuracy'])
python六、训练模型
epochs = 50
history = model.fit(x_train, y_train,
epochs=epochs,
batch_size=128,
validation_data=(x_test, y_test),
verbose=1)
python部分输出：
model.evaluate(x_test,y_test)
python输出：
七、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()
python
最后准确率输出：
scores = model.evaluate(x_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
python八、总结
- 确保numpy与panda以及matplotlib等工具之间的一致性和兼容性
- 特别关注对每一列特征数据的标准化执行
全部评论 (0)
还没有任何评论哟~