肿瘤类别预测

导入数据

'''
导入肿瘤数据，数据集第一个特征我们可以作为索引。
由于数据集无特征名，我们需要手动添加
'''
import numpy as np
import pandas as pd
column_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']
data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data', names = column_names,index_col=0)

拿到数据集，先查看数据集的info，如下图1-1.由图可知，数据集一共9项特征，标签是class，所有数据均无缺失值。所有特征中，有一项object类型的特征，我们需要单独分析。

　　　　图1-1数据集的info

特征值处理

分析Bare Nuclei 数据信息

 train['Bare Nuclei'].values 

此特征值如图2-1，结果以数组形式返回。由图可知，值包含？和字符串。我们可以将带有?的数据删除，然后将此特征类型从object转换成int64.

　　　　　　　　　图2-1 训练集'Bare Nuclei'的所有值

删除Bare Nuclei为?的数据项

我们先找出所有 Bare Nuclei为？的数据，然后查出它们的索引。

查找相关数据索引值，如图2-2.

train[train['Bare Nuclei'].values=='?'].index

　　　　　　　　　　　　　　　图2-2 Bare Nuclei值为空的所有数据索引

根据索引删除对应数据

train.drop(train[train['Bare Nuclei'].values=='?'].index,axis=0,inplace=True)

将此特征类型转换成int64

train['Bare Nuclei'].astype(np.int64)

分割数据以及标准化

分割数据

# 分割模块 一个训练一个测试
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
X_train, X_test, y_train, y_test = train_test_split(train.iloc[:,0:-1], train.iloc[:,-1], test_size=0.25, random_state=33)

数据标准化

from sklearn.preprocessing import StandardScaler
#  把data变成正态分布，减小方差
from sklearn.linear_model import LogisticRegression
from sklearn.linear_model import SGDClassifier
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)

算法训练

1.逻辑斯特回归

'''
初始化逻辑斯特算法函数，导入数据集
'''
lr = LogisticRegression()
lr.fit(X_train, y_train)

2.随机梯度下降分类器

'''
初始化逻辑斯特算法函数，导入数据集
'''
sgdc = SGDClassifier()
sgdc.fit(X_train, y_train)