99久久精品6在线播放,小辣椒樱桃福利影院导航,日韩专区中文字幕

# fetch dataset
heart_failure_clinical_records = fetch_ucirepo(id=519)

# data (as pandas dataframes)
X = heart_failure_clinical_records.data.features
y = heart_failure_clinical_records.data.targets

# metadata
print(heart_failure_clinical_records.metadata)
# variable information
print(heart_failure_clinical_records.variables)

訪問UCI機器學習數據集為實驗進行數據支撐。該數據集包含隨訪期間收集的29 9名心力衰竭患者的病歷，其中每個患者檔案有 13 個臨床特征。目標為死亡事件：患者是否在隨訪期間死亡。

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score,roc_curve, auc

# 將數據集劃分為訓練集和測試集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)



# 特征標準化

scaler = StandardScaler()

X_train = scaler.fit_transform(X_train)

X_test = scaler.transform(X_test)



# 創建邏輯回歸模型

model = LogisticRegression()



# 訓練模型

model.fit(X_train, y_train)



# 在測試集上進行預測

y_pred = model.predict(X_test)



# 計算準確度

accuracy = accuracy_score(y_test, y_pred)

print(f'Accuracy: {accuracy}')



# 預測并計算性能指標（如AUC）

y_pred_proba = model.predict_proba(X_test)[:, 1]

fpr, tpr, _ = roc_curve(y_test, y_pred_proba)

roc_auc_nb = auc(fpr,tpr)

使用 scikit-learn 實現邏輯回歸模型，包括數據集劃分、特征標準化、模型訓練、準確度計算以及通過 ROC 曲線計算 AUC 等步驟，用于解決二分類問題。

from sklearn.metrics import classification_report, confusion_matrix

import seaborn as sns

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.rcParams['axes.unicode_minus'] = False

# 輸出混淆矩陣

confusion_matrix = confusion_matrix(y_test, y_pred)

plt.figure(figsize = (6, 6), dpi = 300)

sns.heatmap(confusion_matrix, annot = True, annot_kws = {'size':15}, fmt = 'd', cmap = 'YlGnBu_r')

# 繪制熱力圖 annot = True熱力圖上顯示數值，annot_kws設置單元格數值標簽的其他屬性,fmt指定單元格數據顯示格式cmap用于熱力圖填色

plt.title('混淆矩陣熱力圖')

plt.xlabel('預測值')

plt.ylabel('真實值')

plt.show()

使用scikit-learn庫評估分類模型的性能。它根據預測值（y_pred）和真實標簽（y_test）生成混淆矩陣。通過seaborn和matplotlib，將混淆矩陣可視化為熱力圖，直觀展示模型在預測不同類別方面的表現。

# 繪制ROC曲線

plt.figure()

lw = 2

plt.plot(fpr, tpr, color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % roc_auc_nb)

plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')

plt.xlim([0.0, 1.0])

plt.ylim([0.0, 1.05])

plt.xlabel('False Positive Rate')

plt.ylabel('True Positive Rate')

plt.title('ROC曲線')

plt.legend(loc="lower right")

plt.show()

繪制二分類模型的ROC曲線（Receiver Operating Characteristic）。ROC曲線是一種用于評估分類模型性能的圖形工具，它以真正例率（True Positive Rate，又稱為靈敏度或召回率）為縱軸，假正例率（False Positive Rate）為橫軸，展示了在模型的性能，ROC曲線越靠近左上角，模型性能越好。

# 輸出模型報告， 查看評價指標

print(classification_report(y_test, y_pred))

邏輯回歸分類模型的性能報告，報告中包含了針對每個類別（在這里是0和1）的精確度（precision）、召回率（recall）、F1分數（f1-score）以及支持數量（support）。下面是對這些指標的簡要解釋：

Precision（精確度）：對于預測為正類別的樣本，有多少確實屬于正類別。對于類別0，精確度是0.76，對于類別1，精確度是0.93。這意味著對于模型預測為0的樣本，有76%確實是0；對于預測為1的樣本，有93%確實是1。
Recall（召回率）：對于實際為正類別的樣本，有多少被正確地預測為正類別。對于類別0，召回率是0.97，對于類別1，召回率是0.56。這表示對于實際為0的樣本，有97%被成功預測為0；對于實際為1的樣本，只有56%被成功預測為1。
F1-Score（F1分數）：精確度和召回率的調和平均值，是一個綜合指標。對于類別0，F1分數是0.85，對于類別1，F1分數是0.70。
Support（支持數量）：在測試集中屬于每個類別的樣本數量。對于類別0，有35個樣本；對于類別1，有25個樣本。
Accuracy（準確度）：整個模型的正確分類比例，是一個綜合指標。在這里，準確度為0.80，表示模型正確分類了80%的樣本。
Macro Avg和Weighted Avg：這是宏平均和加權平均，分別是所有類別的平均值。Macro Avg計算了每個類別指標的簡單平均，而Weighted Avg考慮了每個類別的樣本數量，進行了加權平均。在這里，Macro Avg和Weighted Avg給出了模型整體性能的平均指標。

總體而言，這個模型對類別0的性能較好（高精確度和高召回率），但對類別1的性能稍顯下降。

本文章轉載微信公眾號@Python機器學習AI