使用机器学习进行疾病预测

本文旨在实现一个强大的机器学习模型，该模型可以根据人的症状有效地预测他/她的疾病。让我们来看看我们如何处理这个机器学习问题。

步骤:

• 收集数据。数据准备是任何机器学习问题的首要步骤。我们将使用Kaggle的数据集来解决这个问题。这个数据集由两个CSV文件组成，一个用于训练，一个用于测试。数据集中总共有133列，其中132列代表症状，最后一列是预后。
• 清理数据。清洗是机器学习项目中最重要的一步。数据的质量决定了我们机器学习模型的质量。因此，在将数据送入模型进行训练之前，总是有必要对其进行清理。在我们的数据集中，所有的列都是数字，目标列即预后是一个字符串类型，并使用标签编码器编码为数字形式。
• 模型构建。在收集和清理数据后，数据已经准备就绪，可以用来训练机器学习模型。我们将使用这些清理过的数据来训练支持向量分类器、Naive Bayes分类器和随机森林分类器。我们将使用混淆矩阵来确定模型的质量。
• 推断。训练完这三个模型后，我们将通过结合所有三个模型的预测结果来预测输入症状的疾病。这使我们的整体预测更加稳健和准确。

最后，我们将定义一个函数，以逗号分隔的症状作为输入，通过使用训练好的模型根据症状预测疾病，并以JSON格式返回预测结果。

实现的工作流程：

确保下载训练和测试，并将train.csv、test.csv放在dataset文件夹中。打开jupyter笔记本，单独运行代码，以便更好地理解。

# Importing libraries
import numpy as np
import pandas as pd
from scipy.stats import mode
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix
 
%matplotlib inline

读取数据集

首先，我们将使用pandas库从文件夹中加载数据集。在读取数据集的同时，我们将删除空列。这个数据集是一个干净的数据集，没有空值，所有的特征都是0和1。每当我们解决一个分类任务时，有必要检查我们的目标列是否是平衡的。我们将使用柱状图，来检查数据集是否平衡。

# Reading the train.csv by removing the
# last column since it's an empty column
DATA_PATH = "dataset/Training.csv"
data = pd.read_csv(DATA_PATH).dropna(axis = 1)
 
# Checking whether the dataset is balanced or not
disease_counts = data["prognosis"].value_counts()
temp_df = pd.DataFrame({
    "Disease": disease_counts.index,
    "Counts": disease_counts.values
})
 
plt.figure(figsize = (18,8))
sns.barplot(x = "Disease", y = "Counts", data = temp_df)
plt.xticks(rotation=90)
plt.show()

输出:

从上面的图中，我们可以看到，数据集是一个平衡的数据集，即每种疾病正好有120个样本，不需要进一步的平衡。我们可以注意到，我们的目标列，即预后列是对象数据类型的，这种格式不适合训练机器学习模型。因此，我们将使用一个标签编码器来将预后列转换为数字数据类型。标签编码器通过给标签分配一个唯一的索引将标签转换成数字形式。如果标签的总数是n，那么分配给每个标签的数字将在0到n-1之间。

# Encoding the target value into numerical
# value using LabelEncoder
encoder = LabelEncoder()
data["prognosis"] = encoder.fit_transform(data["prognosis"])

为训练和测试模型分割数据

现在，我们已经通过删除空值和将标签转换为数字格式来清理我们的数据，现在是时候将数据分割成训练和测试模型。我们将把数据分成80:20的格式，即80%的数据集将被用于训练模型，20%的数据将被用于评估模型的性能。

X = data.iloc[:,:-1]
y = data.iloc[:, -1]
X_train, X_test, y_train, y_test =train_test_split(
  X, y, test_size = 0.2, random_state = 24)
 
print(f"Train: {X_train.shape}, {y_train.shape}")
print(f"Test: {X_test.shape}, {y_test.shape}")

输出:

Train: (3936, 132), (3936,)
Test: (984, 132), (984,)

模型构建

模型的工作。我们将使用K-Fold交叉验证法来评估机器学习模型。我们将使用支持向量分类器、高斯Naive Bayes分类器和随机森林分类器进行交叉验证。在进入实施部分之前，让我们先熟悉一下K-折交叉验证和机器学习模型。

• K-折交叉验证法。K-Fold交叉验证是交叉验证技术之一，在该技术中，整个数据集被分成k个子集，也被称为折叠，然后在k-1个子集上进行模型训练，剩下的一个子集用于评估模型性能。
• 支持向量分类器。支持向量分类器是一种鉴别性分类器，即当给定一个标记的训练数据时，该算法试图找到一个最佳的超平面，以准确地将样本分成超空间中的不同类别。
• 高斯奈何贝叶斯分类器。它是一种概率机器学习算法，内部使用贝叶斯定理对数据点进行分类。
• 随机森林分类器。随机森林是一种基于集合学习的监督机器学习分类算法，内部使用多个决策树进行分类。在随机森林分类器中，所有的内部决策树都是弱学习者，这些弱决策树的输出被合并，即所有预测的模式作为最终预测。

使用K-Fold Cross-Validation进行模型选择。

# Defining scoring metric for k-fold cross validation
def cv_scoring(estimator, X, y):
    return accuracy_score(y, estimator.predict(X))
 
# Initializing Models
models = {
    "SVC":SVC(),
    "Gaussian NB":GaussianNB(),
    "Random Forest":RandomForestClassifier(random_state=18)
}
 
# Producing cross validation score for the models
for model_name in models:
    model = models[model_name]
    scores = cross_val_score(model, X, y, cv = 10,
                             n_jobs = -1,
                             scoring = cv_scoring)
    print("=="*30)
    print(model_name)
    print(f"Scores: {scores}")
    print(f"Mean Score: {np.mean(scores)}")

输出:

============================================================

SVC

Scores:[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

Mean Score：1.0

============================================================

Gaussian NB

Scores:[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

Mean Score：1.0

============================================================

Random Forest

Scores:[1. 1. 1. 1. 1. 1. 1. 1. 1. 1.]

Mean Score：1.0

从上面的输出中，我们可以注意到，我们所有的机器学习算法都表现得非常好，而且经过k fold交叉验证后的平均分数也非常高。为了建立一个稳健的模型，我们可以把三个模型的预测模式结合起来，这样即使其中一个模型做出了错误的预测，而另外两个模型做出了正确的预测，那么最终的输出也是正确的。这种方法将帮助我们在完全未见过的数据上保持更准确的预测。在下面的代码中，我们将在训练数据上训练所有三个模型，使用混淆矩阵检查我们模型的质量，然后结合所有三个模型的预测结果。

通过结合所有模型建立稳健的分类器：

# Training and testing SVM Classifier
svm_model = SVC()
svm_model.fit(X_train, y_train)
preds = svm_model.predict(X_test)
 
print(f"Accuracy on train data by SVM Classifier\
: {accuracy_score(y_train, svm_model.predict(X_train))*100}")
 
print(f"Accuracy on test data by SVM Classifier\
: {accuracy_score(y_test, preds)*100}")
cf_matrix = confusion_matrix(y_test, preds)
plt.figure(figsize=(12,8))
sns.heatmap(cf_matrix, annot=True)
plt.title("Confusion Matrix for SVM Classifier on Test Data")
plt.show()
 
# Training and testing Naive Bayes Classifier
nb_model = GaussianNB()
nb_model.fit(X_train, y_train)
preds = nb_model.predict(X_test)
print(f"Accuracy on train data by Naive Bayes Classifier\
: {accuracy_score(y_train, nb_model.predict(X_train))*100}")
 
print(f"Accuracy on test data by Naive Bayes Classifier\
: {accuracy_score(y_test, preds)*100}")
cf_matrix = confusion_matrix(y_test, preds)
plt.figure(figsize=(12,8))
sns.heatmap(cf_matrix, annot=True)
plt.title("Confusion Matrix for Naive Bayes Classifier on Test Data")
plt.show()
 
# Training and testing Random Forest Classifier
rf_model = RandomForestClassifier(random_state=18)
rf_model.fit(X_train, y_train)
preds = rf_model.predict(X_test)
print(f"Accuracy on train data by Random Forest Classifier\
: {accuracy_score(y_train, rf_model.predict(X_train))*100}")
 
print(f"Accuracy on test data by Random Forest Classifier\
: {accuracy_score(y_test, preds)*100}")
 
cf_matrix = confusion_matrix(y_test, preds)
plt.figure(figsize=(12,8))
sns.heatmap(cf_matrix, annot=True)
plt.title("Confusion Matrix for Random Forest Classifier on Test Data")
plt.show()

输出:

Accuracy on train data by SVM Classifier: 100.0
Accuracy on test data by SVM Classifier: 100.0

Accuracy on train data by Naive Bayes Classifier: 100.0
Accuracy on test data by Naive Bayes Classifier: 100.0

Accuracy on train data by Random Forest Classifier: 100.0
Accuracy on test data by Random Forest Classifier: 100.0

从上述混淆矩阵中，我们可以看到模型在未见过的数据上表现非常好。现在我们将在我们下载的数据集中的全部训练数据上训练模型，然后在数据集中的测试数据上测试我们的组合模型。

在整个数据上拟合模型并在测试数据集上验证：

# Training the models on whole data
final_svm_model = SVC()
final_nb_model = GaussianNB()
final_rf_model = RandomForestClassifier(random_state=18)
final_svm_model.fit(X, y)
final_nb_model.fit(X, y)
final_rf_model.fit(X, y)
 
# Reading the test data
test_data = pd.read_csv("./dataset/Testing.csv").dropna(axis=1)
 
test_X = test_data.iloc[:, :-1]
test_Y = encoder.transform(test_data.iloc[:, -1])
 
# Making prediction by take mode of predictions
# made by all the classifiers
svm_preds = final_svm_model.predict(test_X)
nb_preds = final_nb_model.predict(test_X)
rf_preds = final_rf_model.predict(test_X)
 
final_preds = [mode([i,j,k])[0][0] for i,j,
               k in zip(svm_preds, nb_preds, rf_preds)]
 
print(f"Accuracy on Test dataset by the combined model\
: {accuracy_score(test_Y, final_preds)*100}")
 
cf_matrix = confusion_matrix(test_Y, final_preds)
plt.figure(figsize=(12,8))
 
sns.heatmap(cf_matrix, annot = True)
plt.title("Confusion Matrix for Combined Model on Test Dataset")
plt.show()

输出:

Accuracy on Test dataset by the combined model: 100.0

我们可以看到，我们的组合模型对所有的数据点进行了准确分类。我们已经来到了整个实现的最后一部分，我们将创建一个函数，将由逗号分隔的症状作为输入，并根据输入的症状使用组合模型输出预测的疾病。

创建一个可以将症状作为输入并生成疾病预测的函数。

symptoms = X.columns.values
 
# Creating a symptom index dictionary to encode the
# input symptoms into numerical form
symptom_index = {}
for index, value in enumerate(symptoms):
    symptom = " ".join([i.capitalize() for i in value.split("_")])
    symptom_index[symptom] = index
 
data_dict = {
    "symptom_index":symptom_index,
    "predictions_classes":encoder.classes_
}
 
# Defining the Function
# Input: string containing symptoms separated by commmas
# Output: Generated predictions by models
def predictDisease(symptoms):
    symptoms = symptoms.split(",")
     
    # creating input data for the models
    input_data = [0] * len(data_dict["symptom_index"])
    for symptom in symptoms:
        index = data_dict["symptom_index"][symptom]
        input_data[index] = 1
         
    # reshaping the input data and converting it
    # into suitable format for model predictions
    input_data = np.array(input_data).reshape(1,-1)
     
    # generating individual outputs
    rf_prediction = data_dict["predictions_classes"][final_rf_model.predict(input_data)[0]]
    nb_prediction = data_dict["predictions_classes"][final_nb_model.predict(input_data)[0]]
    svm_prediction = data_dict["predictions_classes"][final_svm_model.predict(input_data)[0]]
     
    # making final prediction by taking mode of all predictions
    final_prediction = mode([rf_prediction, nb_prediction, svm_prediction])[0][0]
    predictions = {
        "rf_model_prediction": rf_prediction,
        "naive_bayes_prediction": nb_prediction,
        "svm_model_prediction": nb_prediction,
        "final_prediction":final_prediction
    }
    return predictions
 
# Testing the function
print(predictDisease("Itching,Skin Rash,Nodal Skin Eruptions"))

输出:

{
    'rf_model_prediction': 'Fungal infection',
    'naive_bayes_prediction': 'Fungal infection',
    'svm_model_prediction': 'Fungal infection',
    'final_prediction': 'Fungal infection'
}

注意：作为函数输入的症状应该在数据集中的132个症状中完全相同。