Pima Indians diabetes dataset 考古溯源 & model prediction

pima diabetes linear regression prediction machin learning python

neocaffe 2021-09-14 10:47:53 ‧ 2795 瀏覽

分享至

Machine learning常用到的一個diabetes 糖尿病資料集，Pima印第安人數據起源於1980年代，目前在機器學習領域還是廣為使用，在Kaggle上的運用範例就超過了1700個以上。
我們今天就來探究一下這個資料集。

<資料集來源>：Kaggle download here
from National Institute of Diabetes and Digestive and Kidney Diseases; Includes cost data (donated by Peter Turney)
<資料集說明>來源
768筆記錄。 9個欄位：8 特徵 1 target
This dataset describes the medical records for Pima Indians and whether or not each patient will have an onset of diabetes within five years.
Fields description follow:

Preg = Number of times pregnant
Glucose = Plasma glucose concentration a 2 hours in an oral glucose tolerance test
BP = Diastolic blood pressure (mm Hg)
Skin = Triceps skin fold thickness (mm)
Insulin = 2-Hour serum insulin (mu U/ml)
BMI = Body mass index (weight in kg/(height in m)^2)
Pedi = Diabetes pedigree function
Age = Age (years)
Class = Class variable (1:tested positive for diabetes, 0: tested negative for diabetes)
< 資料集溯源 >
我們研讀一下原創文獻，是如何解釋他們的材料方法。
文獻標題：Using the ADAP Learning Algorithm to Forecast the Onset of Diabetes Mellitus
此研究是由The National Institute of Diabetes Digestive and Kidney Diseases、The Johns Hopkins University School of Medicine共同發表
1988年原創者文獻出處：
Proc Annu Symp Comput Appl Med Care. 1988 Nov 9 : 261–265.
8項特徵值之中，比較讓人疑惑的是Diabetes pedigree function (糖尿病族譜系數DPF)的定義與計算方法，A function that scores the likelihood of diabetes based on family history.
我們先把該篇原創論文，摘要的說一遍。
<研究動機>
在糖尿病高風險的Pima印第安人族群中，運用ADAP algorithm(一種早期的neural network model)，測試此一方法對於糖尿病發病的預測能力。
<研究族群>
Pima印第安人(Phoenix, Arizona)是一批糖尿病高風險發病的族群，該族群居民自1965年起每隔兩年都會接受身體檢查。如果”口服葡萄糖耐受測試”(oral glucose tolerance test)後的2小時血糖數值，高於200 mg/dl 即視為糖尿病患者。

< 變數選擇 > 8項input variables

Number of times pregnant 懷孕次數
Plasma Glucose Concentration at 2 Hours in an Oral Tolerance Test (GTT) 口服葡萄糖耐受測試後2小時的血糖數據
Diastolic Blood pressure 血壓(舒張壓) mmHg
Triceps Skin Fold Thickness (mm) 肱三頭肌皮膚厚度
2-Hour Serum Insulin 2小時後血清胰島素數據
Body mass index BMI
Diabetes Pedigree Function族譜系數
Age (years)年齡

Diabetes Pedigree Function 族譜系數 DPF，此一參數是他們自創的。文中有解釋計算方式，有興趣的請自行參閱。

大致意思是：如果家族中得病的人數較多，而這些人發病的年齡比較早，或者親等關係比較近的，這個DPF數值就會比較高。反之，則DPF數值比較低。
公式大略是以”親屬發病年齡”、”親等關係比例”…等參數加權計算出來的。

< Case selection >案例選擇，必須全部符合以下四項標準：

女性
受測時年齡大於(含)21歲
五年內被診斷出糖尿病者，或者接受GTT口服葡萄糖耐受測試後五年內(或以上)都沒有糖尿病者。(這段是我會錯意了，文末會說明)
如果受測後一年內診斷出糖尿病者，此記錄不採用，剔除研究對象。因為這些數據傾向於比較好預測。
最後，train組 576例，test組192例，共計768例。
< ADAP > 作者解釋ADAP algorithm作法，我們就不討論了。

< 資料集表達什麼? >
2014年有篇文章 The Open Diabetes Journal, 2014, 7, 5-13 特討分析這筆Pima Dataset 得出如下結論：

Triceps skin fold thickness與PGL(血糖值)有顯著的”負相關”
2-hr insulin與PGL有顯著的”正相關”
BMI body mass index與PGL有顯著的”正相關”
Diabetes pedigree function與PGL有顯著的”正相關”
Age與PGL有顯著的”正相關”
PGL is independent of number of times pregnant and diastolic blood pressure

我們今天的重點，就是來分析此一資料集，看看能否視覺化，重現上述的相關性，並做modeling、prediction預測
Step1. Read dataset / Explore

''' Step1. Load dataset / explore '''
df = pd.read_csv('pimaDM.csv')
df.isnull().sum()
df.describe()
df.info()
df.head()
df.value_counts()

Step 2. data visulalize 畫個Box圖觀察離散程度
df0 無病組 df1 有病組把2組畫在一起

''' Step 2. data visulalize 
   畫個Box圖 觀察離散程度   '''
# df0 無病組  df1 有病組      
df0 = df[df['Class'] == 0 ]
df1 = df[df['Class'] == 1 ]

# 把2組畫在一起
fig,axes = plt.subplots(1,2,sharey=True,figsize=(10,6))

axes[0].set_title('Healthy')
axes[1].set_title('DM')

fig.autofmt_xdate(rotation=45)
sns.boxplot(data=df0,ax=axes[0])
sns.boxplot(data=df1,ax=axes[1])

fig.savefig('DM_orig_box.jpg')

Insulin此特徵數據，離群值似乎很多。算一下統計數據看看

''' Step 3. 統計數據 '''
pd.set_option('display.max_columns',None)  # 顯示所有columns
print(df.describe())

天啊! 出現了很多不合理數據，怎麼說? BP血壓是0 ? 皮膚厚度是0 ? 不可能是0，應該是當時沒做測量，就隨意給個0當數字。

Step 4. 不合理的異常數據處理
血壓、皮膚厚度...多項多筆數據=0 明顯不合理，將五項特徵 Glucose BP Skin Insulin BMI 數據=0 剔除 ( ps. 原本還包括異常值大於95percentile者，但是資料只剩下三分之一了)

''' Step 4. 不合理的異常數據處理  
    血壓、皮膚厚度...多項多筆數據=0 明顯不合理
    將五項特徵 Glucose BP Skin Insulin BMI
    數據=0 and >95percentile者剔除
'''
df_Trim = df      # 處理dataframe
# 95 percentile
#Insulin_q95  = df_Trim['Insulin'].quantile(.95)
#print(f'Insulin 95 percentlie: {Insulin_q95}')
#idxNames = df_Trim[ df_Trim['Insulin'] >= Insulin_q95 ].index
#df_Trim = df.drop(idxNames)
# = 0 者
idxNames = df_Trim[ df_Trim['Insulin']<=0 ].index
df_Trim = df_Trim.drop(idxNames)
print(df_Trim.info())
print(df_Trim)
#---以下略---

Step 5. 剩下的資料，再畫一次 boxplot
剔除 0 & >95percentile者，剩下 273筆記錄 768筆剩下 35.5% 可用，如果只剔除 0者，則剩下 392筆記錄

< 檢視資料 > 用EXCEL檢視剩下的資料，蝦米!
全部的案例(有病、無病的)“血糖值都小於200”?
糖尿病的定義不是要血糖值大於200嗎? 我抓錯資料了嗎?
再進去Kaggle看看原始資料集。

沒錯，Kaggle上的資料集和我的是一樣的，也都是小於200，Why ?
回頭再詳細看一看原創文獻，Case selection第3項：
Only one examination was selected per subject. 每人只選用一次檢驗值
That examination was one that revealed a non-diabetic GTT and met one of the following two criteria: 該次檢驗是在”葡萄糖耐受測試”顯示為”非糖尿病”的那次，同時符合以下兩標準者：

Diabetes was diagnosed within five years of the examination, OR 五年內被診斷出糖尿病，或者
A GTT performed five or more years later failed to reveal diabetes mellitus. 5年內(以上)所做的”葡萄糖耐受測試”沒有顯示出有病者

原來如此，所以，資料集裡面的”血糖值”都是正常範圍內的，也就是病人”還沒被診斷出糖尿病之前”的數據。這就很難理解，這些數據並不是直觀的”實驗組”、”對照組”的特徵資料，而是”有病者，發病以前的資料”+”沒病者的資料”。
所以，該文章作者的方法是：使用”未發病前”的資料去預測以後是否會發病。
說實話，這樣的實驗設計有點難理解，而且執行上也不容易。
必須要在同一個社區(族群)內，長期追蹤同一群人5年以上，收案不易、數據測量也不易齊全。

另外，我們再回頭看看上面2014年那篇，好像價值性就沒有那麼高了。因為他們在一群正常數據的人(都是未發病前數據)之中發現血糖與其它項特徵值有正(負)相關，但是卻沒著墨於”預測”。畢竟原創資料集其目的是在於”預測”，而不是看特徵值之”趨勢”、”相關”。

Step 6. Prediction
終於，要來使用資料集了。這個資料集去除了不合理的數值後(應該是當時沒做測量，就給個0)，剩下392筆可用，只佔原本768筆的一半。

經過上面冗長的考古之後，我們就選兩種方法來建立模型、預測吧。
LogisticRegression、RandomForest
直接進代碼吧

準備資料，設定 X ,y
Build the Model : training
評估模型準確度兩種model的accuracy
儲存模型

''' Step 6. 準備資料，設定 X ,y  '''
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
 
y = df_Trim['Class']    # y 診斷結果= Class
''' 去除 target欄位，留下特徵欄位-->X '''
X = df_Trim.drop(['Class'], axis = 1)
print(X.shape)
print(X.head(5))   # X is a dataframe
print(y[:5])       # y is a Series

# split dataset
X_train, X_test, y_train, y_test = train_test_split(X, y, 
                                                    test_size=0.2,
                                                    stratify=y,
                                                    random_state=0)

#print(len(X_train),len(X_test))

''' Step 7. Build the Model : training'''

# model logistic regression
from sklearn.linear_model import LogisticRegression

logis = LogisticRegression(solver='lbfgs',max_iter = 400)
logis.fit(X_train, y_train)

# model random forest

from sklearn.ensemble import RandomForestClassifier

fores = RandomForestClassifier()
fores.fit(X_train, y_train)

''' Step 8. 評估模型準確度  兩種model的accuracy '''
from sklearn.metrics import accuracy_score

pred_logis = logis.predict(X_test)
pred_fores = fores.predict(X_test)

a1 = accuracy_score(pred_logis, y_test)
a2 = accuracy_score(pred_fores, y_test)
print(f'兩種模型的準確率 accuracy: logis: {a1}  fores: {a2}')

''' Step 9. 儲存模型  '''
import pickle

mdl_DMlr = 'DMlr.model'
pickle.dump(logis, open(mdl_DMlr, 'wb'))
mdl_DMfs = 'DMfs.model'
pickle.dump(fores, open(mdl_DMfs, 'wb'))
print(' 建模完成 models saved ')

寫個py，使用模型預測

""" PimaDM_ModelUse.py 2021-09-14 neoCaffe
    使用建立好的模型，進行診斷預測 diabetes
    從 PimaDM.csv取兩筆，預測是否發病
"""
print(__doc__)

import pandas as pd
import random
import pickle
''' 載入資料集 '''
df = pd.read_csv('pimaDM.csv')
r,c = df.shape
''' 任意取兩筆 '''
n = random.randint(0,r)
test1 = list(df.iloc[n].values)
m = random.randint(0,r)
test2 = list(df.iloc[m].values)
# 真正的診斷
Dx1 = test1[-1] 
Dx2 = test2[-1]
# 特徵值
test1 = [test1[:-1]]
test2 = [test2[:-1]]


print('隨機取兩筆資料，當測試') 
print(f'特徵:{test1}  診斷: {Dx1}')
print(f'特徵:{test2}  診斷: {Dx2}')


''' 以兩種模型進行預測  '''
print('以兩種模型進行預測''')
mdl_logis = pickle.load(open('DMlr.model', 'rb'))
predict1 = mdl_logis.predict(test1)

mdl_fores = pickle.load(open('DMfs.model', 'rb'))
predict2 = mdl_fores.predict(test2)

print(f'test1 真正診斷是: {Dx1}  以logis模型預測是: {predict1}')
print(f'test2 真正診斷是: {Dx2}  以fores模型預測是: {predict2}')

成果畫面