【深度学习——RNN心脏病预测】

本文为365天深度学习训练营中的学习记录博客
参考文章：深度学习100例-循环神经网络（RNN）心脏病预测
原作者：K同学啊|接辅导、项目定制

• 难度：新手入门⭐

要求：

1. 本地读取并加载数据。
2. 了解循环神经网络（RNN）的构建过程
3. 测试集accuracy到达87%

拔高：

• 测试集accuracy到达89%

我的环境：

• 语言环境：Python3.7
• 编译器：Spyder
• 深度学习框架：TensorFlow2.4.1
• 数据地址：百度网盘

代码流程图如下所示：

一、前期准备

1、设置GRU

在实际应用中，大规模的RNN模型通常需要大量的训练时间才能收敛，而GPU可以大大减少训练时间并提高学习效率。此外，GPU还能够在部署和推理阶段中提高RNN模型的速度和性能，因为GPU对于较大的并行计算具有天然的优势。

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")
    
print(gpus)

2、导入数据

下面是对数据的介绍：

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

读取数据

import pandas as pd
import numpy as np

df=pd.read_csv("D:/桌面/深度学习数据/heart.csv")

print(df)

3、检查数据是否有空值

print(df.isnull().sum())

由结果可知每个数据空值的个数为0，数据正常。

二、数据预处理

1、划分训练集和测试集

训练集、验证集和测试集之间的关系：
在机器学习中，通常将数据集划分为三个部分：训练集、验证集和测试集。训练集用于在模型训练期间进行模型参数的调整，而验证集则用于选择模型，并根据验证集结果进行超参数调整，最后，测试集用于评估模型在未知数据上的性能。验证集和测试集是相互独立的数据集，在进行模型选择和超参数调整时，它们起着不同的作用。

from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

X=df.iloc[:,:-1