使用KNN和逻辑回归做心血管疾病预测的理解

数据来自Kesci，项目是想通过对患者年龄、性别、血压、血脂、血糖、吸烟史、酗酒史、体育活动等特征，分析心血管疾病的关系，并建立模型。

加载数据

Id字段对分析没有太大用处，删除字段。

查看数据集基本信息，没有发现缺失值，数据不用清洗，直接可做下一步处理。

使用pandas_profiling做探索预览分析，pandas_profiling这个库挺好，不仅包括各种基本的描述性统计值及可视化，还有对这个项目比较重要的相关性分析及可视化。

也可以调用函数corr()查看correlation，旨在保留与心血管疾病相关性较大的特征来进行分析。

分析建模

前期准备

划分特征值和目标值

根据数据背景介绍，了解字段‘cardio’代表是否患有心血管疾病，0表示健康，1表示患病。故设置为目标值。

切分数据集

总共7w条数据，切下15%作为测试集。（又学了个函数，在数组前面加一个’ ~ ’，返回一个相反的值，bool或int。）

划分训练集和验证集

训练逻辑回归模型

由于不知道要选取哪些相关性强的特征，才能使模型的精确率达到最高，故设定阈值，让相关性高于阈值的特征保留，并运用到模型训练当中。

从目前的选取的阈值中看出，相关性高于0.05的时候，模型精确率最高。相关字段为age,weight,ap_hi,ap_lo,cholesterol,gluc。

训练KNN模型

特征工程标准化

利用KNN做优化

同样在不确定哪些特征能让模型精确率高的情况下，建立循环。同样，不同的K值会对精确率产生影响，做子循环。

使用np.mean(y_test != pred_j节省了计算精确度的环节。

根据图示，相关性高于0.05的时候，模型精确度最高。在K值为15到30时候，精确度波动不大。选择15减少计算资源。

测试集做预测

重新把阈值0.05和K值15纳入到模型当中。对测试集进行预测。

小结：两种模型建立的还可以，对患者预测的精确度为72%-73%，对于心血管疾病患者关注年龄、体重、血压、血糖、血脂显得格外的重要。

gender值1和2哪个代表男性，无法从给定材料中找到。只能通过身高来判断，一般男性都比女性高。在图中可看到，1的身高相较2，右移了很多。判定1为女性。健康的人（cardio为0），男性抽烟的较女性少；患病的人中，较女性多。

男性抽烟又得心血管疾病的比例是女性的12倍。男性抽烟但没有心血管疾病的比例也是女性的12倍多。其他的比例都相近。

酗酒的人中，男性是女性的5倍。

数据中，抽烟的人的年龄中位数比不抽烟的人的年龄中位数小19个月。

在患病的人当中，抽烟的人的年龄中位数比不抽烟的人的年龄中位数小20个月。

补充：

在数据当中，虽然没有缺失值，但是在查看描述性统计是的是，有很多数据都不具有显示意义。比如血压舒张压高于收缩压的。需要去除。