python数据分析之用sklearn预测糖尿病.pdfVIP

python数据分析之⽤sklearn预测糖尿病 ⽬录 ⼀、数据集描述 ⼆、准备⼯作 三、实验环境和⼯具 四、预测分析 4.1探索性数据分析 五、可视化分析 六、构建baseline 七、数据预处理 ⼋、离群值处理 九、缺失值处理 ⼗、特征⼯程 ⼗⼀、数据标准化 ⼗⼆、模型构建与调参优化 ⼗三、总结 ⼀、数据集描述 本数据集内含⼗个属性列 Pergnancies:怀孕次数 Glucose：⾎糖浓度 BloodPressure：舒张压(毫⽶汞柱) SkinThickness：肱三头肌⽪肤褶皱厚度(毫⽶) Insulin：两个⼩时⾎清胰岛素(µU/毫升) BMI：⾝体质量指数，体重除以⾝⾼的平⽅ Diabets Pedigree Function:疾病⾎统指数 是否和遗传相关，Height：⾝⾼(厘⽶) Age：年龄 Outcome：0表⽰不患病，1表⽰患病。 任务：建⽴机器学习模型以准确预测数据集中的患者是否患有糖尿病 ⼆、准备⼯作 查阅资料得知各属性的数据值要求，⽅⾯后期对于数据的分析与处理过程。 属性列名称数据值要求 Pergnancies(怀孕次数)符合常理即可 （可为0） Glucose(⾎糖浓度)正常值为：80~120 BloodPressure(舒张压(毫⽶汞柱))正常值为：60~80 SkinThickness(肱三头肌⽪肤褶皱厚度(毫⽶))不为0 Insulin(两个⼩时⾎清胰岛素(/毫升))正常值为：35~145 BMI(⾝体质量指数:体重除以⾝⾼的平⽅)正常值为：18.5~24.9 Diabets Pedigree Function:(疾病⾎统指数:是否和遗传相关)⽆特殊值要求 Height(⾝⾼(厘⽶))不为0符合常理即可 Age(年龄)符合常理即可 Outcome(0表⽰不患病，1表⽰患病)标签值 三、实验环境和⼯具 python3.5.6 + jupyter 数据处理 pandas、numpy 可视化 matplotlib、seaborn 模型构建 sklearn 四、预测分析 4.1探索性数据分析 数据描述 ⾸先观察基本的数据类型，以及数据是否存在缺失情况，简要统计信息 all_data.shape all_data.info() class pandas.core.frame.DataFrame RangeIndex: 768 entries, 0 to 767 Data columns (total 10 columns): # Column Non-Null Count Dtype 0 Pregnancies 768 non-null int64 1 Glucose 768 non-null int64 2 BloodPressure 768 non-null int64 3 SkinThickness 768 non-null int64 4 Insulin 768 non-null int64 5 BMI 768 non-null float64 6 DiabetesPedigreeFunction 768 non-null float64 7 Age 768 non-null int64 8 Height 766 non-null object 9 Outcome 768 non-null int64 dtypes: float64(2), int64(7), object(1) memory usage: 60.1+ KB 数据总量时⽐较少的只有768个例⼦，可以看到除Height外的属性都为数值型属性。在后续数