"""
数据的描述:
(1)699条样本,共11列数据,第一列用语检索的id,后9列分别是与肿瘤
相关的医学特征,最后一列表示肿瘤类型的数值。
(2)包含16个缺失值,用”?”标出。
1. Sample code number id number
2. Clump Thickness 1 - 10
3. Uniformity of Cell Size 1 - 10
4. Uniformity of Cell Shape 1 - 10
5. Marginal Adhesion 1 - 10
6. Single Epithelial Cell Size 1 - 10
7. Bare Nuclei 1 - 10
8. Bland Chromatin 1 - 10
9. Normal Nucleoli 1 - 10
10. Mitoses 1 - 10
11. Class: (2 for benign, 4 for malignant)
过程:
1.获取数据
2.基本数据处理
2.1 缺失值处理
2.2 确定特征值,目标值
2.3 分割数据
3.特征工程(标准化)
4.机器学习(逻辑回归)
5.模型评估
"""
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
#1.获取数据
data = pd.read_csv("database/breast-cancer-wisconsin.data")
#data698*11
names = ['Sample code number', 'Clump Thickness', 'Uniformity of Cell Size', 'Uniformity of Cell Shape',
'Marginal Adhesion', 'Single Epithelial Cell Size', 'Bare Nuclei', 'Bland Chromatin',
'Normal Nucleoli', 'Mitoses', 'Class']
# 2.基本数据处理
# 2.1 缺失值处理
#把数据中所有?替换成NaN,这里做填充好像不大合适吧
data = data.replace(to_replace="?",value=np.NaN)
# #删除所有带缺失数据的行
#由698*11->682*11
data = data.dropna()
#2.2 确定特征值,目标值
#选取所有的行,特征选择中间的九列特征作为数据
#pd.iloc选取行列,选取所有行、列,都是左闭右开
x = data.iloc[:,1:10]
y = data.iloc[:,10]
#2.3 分割数据
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.25)
#3.特征工程(标准化)
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
x_test = transfer.fit_transform(x_test)
# 4.机器学习(逻辑回归)
#'liblinear';用于优化问题的算法。
#l2正则化
#C正则化力度(我随便写的)
estimator = LogisticRegression(solver='liblinear',penalty='l2',C=0.1)
estimator.fit(x_train,y_train)
# 5.模型评估
y_predict = estimator.predict(x_test)
print("y_predict:",y_predict)
print(y_predict==y_test)
print(estimator.score(x_test,y_test))
图片.png
网友评论