机器学习之乳腺癌预测

(一)问题分析

1.问题背景

乳腺癌是女性最常见的恶性肿瘤，占美国女性确诊癌症的近三分之一，是女性癌症死亡的第二大原因。 乳腺癌是乳房组织细胞异常生长的结果，通常称为肿瘤。 肿瘤并不意味着癌症——肿瘤可以是良性（非癌性）、恶性前（癌前）或恶性（癌性）。 MRI、乳房X光检查、超声波和活组织检查等测试通常用于诊断所进行的乳腺癌。

2.问题分析

原理：乳房细针抽吸 (FNA) 测试鉴定乳腺癌（这是一种快速且简单的程序，该程序可以从乳房病变或囊肿（肿块、溃疡或肿胀）中取出一些液体或细胞，用类似于 血样针）。
通过检测数据和标签构建模型，实现对乳腺癌肿瘤进行分类：

1 = 恶性 (癌性)
0 = 良性 (非癌性)
很明显，这是一个二分类问题。

3.题目所需的代码及数据

链接：https://pan.baidu.com/s/1UC8yFGZUk7wJtUIjTpj-Mg
提取码：0929

(二).导入数据

1. 认识数据集

数据集中的前两列分别存储样本的唯一 ID 号和相应的诊断（M=恶性，B=良性）。
第 3-32 列包含 30 个实值特征，这些特征是根据细胞核的数字化图像计算得出的，可用于构建模型来预测肿瘤是良性还是恶性。

为每个细胞核计算十个实值特征：
a) 半径（从中心到周边点的平均距离）
b) 纹理（灰度值的标准偏差）
c) 周长
d) 面积
e) 平滑度（半径长度的局部变化）
f) 紧凑性（周长^2/面积 - 1.0）
g) 凹度（轮廓凹入部分的严重程度）
h) 凹点（轮廓凹入部分的数量）
i) 对称性
j) 分形维数（“海岸线近似” - 1）

2.导入数据

#load libraries
import matplotlib.pyplot
import matplotlib.pyplot as plt
import numpy as np         # linear algebra
import pandas as pd        # data processing, CSV file I/O (e.g. pd.read_csv)

data = pd.read_csv('data/data.csv', index_col=False,)
print("输出一下数据的行列数：",end="")
print(data.shape)
print("输出一下数据的信息：")
data.info()
data.dtypes.value_counts
#检查缺少的变量
data.isnull().any()
data.diagnosis.unique()
print("将修改过后的数据保存到新csv文件中(保存dataframe的更新版本以备将来分析)")
data.to_csv('data/clean-data.csv')

# 查看数据前两行
print(data.head(2))
# 对标签进行统计

#良性：恶性 大约为2：1. 在机器学习中最好是正负样本1：1，但是2：1也可以进行正常的分类预测。
data.diagnosis.value_counts().plot(kind = "bar")
plt.title("Show me the ratio of benign to malignant")
matplotlib.pyplot.show()

3.数据概述

总共30个特征，分别是对10个实值特征计算，mean, se, worst
diagnosis 列为标签
数据无空值

(三)EDA 数据探索性分析

探索性数据分析（EDA）是一个非常重要的步骤，应该在任何建模之前完成。这是因为数据科学家能够在不做假设的情况下理解数据的性质。数据探索主要是掌握，数据的结构，值的分布，在数据集中是否存在异常值，特征间相互关系。
主要包括：

描述性统计分析
数据可视化

1.描述性统计分析

A.查看数据维度(行列数)

输出一下数据的行列数：(569, 32)

B.数据统计描述(列名对应的信息)

输出一下数据的信息：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 569 entries, 0 to 568
Data columns (total 32 columns):
 #   Column                   Non-Null Count  Dtype  
---  ------                   --------------  -----  
 0   id                       569 non-null    int64