9. 机器学习汇总（数据、模型、流程、心血管疾病预测）

本文链接：https://blog.youkuaiyun.com/weixin_38566632/article/details/140627701

1. 数据

表格类数据 tabular data
互相独立，互不影响
离散型数据的数字化：
- zero index（状态很少时）
  - 0,1,2,…, N-1
- one - hot（状态比较多时）
  - 1个特征变N个特征
  - [0, 0, 1, …, 0]
连续型数据的数字化问题：
- 直接使用原始数据即可
预处理：
- 中心化：
  - 以零为中心，正负都有
  - x - mu
- 归一化：
  - 把数据变为[0, 1]
  - (x - _min) / (_max - _min)
- 规范化：
  - 减去均值，除以标准差
  - (x - mu) / sigma

2. 模型

分类：
- KNN（K紧邻）
  - 简单，好理解
  - 规则+数据（非典型人工智能算法）
  - 惰性计算
  - 训练时很快
  - 预测时很慢
  - 准确率中等
- 高斯朴素贝叶斯（GNB）
  - 本质是利用了条件概率/贝叶斯公式
  - 计算每个类别的概率，然后选择最大的
  - 前提假设：
    - 特征互相条件独立
    - 满足高斯分布
    - 使用概率密度函数的值代替概率
  - 训练时很快
  - 预测时很快
  - 准确率偏低
- 决策树：
  - 利用信息论中的熵的内涵
  - 模型训练的过程，就是降低熵（混乱程度）的过程
  - 分类问题：
    - 信息熵（标准计算）
      - -[p1log(p1) + p2log(p2) + … pn*log(pn)]
    - 基尼系数（工程化简）
      - [p1*(1-p1) + p2*(1-p2) + … + pn*(1-pn)]
  - 回归问题：
    - 方差
  - 剪枝算法：
    - 样本越多，越容易构建出一棵很复杂的树！
    - 如果不加限制，决策树会一直分裂到底，容易过拟合，层数很深
    - 策略：限制最大深度；每次分裂的最小样本数等
    - 好处：算法可以很复杂，也可以很简单！！！
    - 这是集成学习的基础！！！
  - 训练时速度中等
  - 推理时速度较快
  - 解释性比较好，树的每一次判断都清晰可见
  - 可以对特征进行重要性排序
- 支持向量机
  - 适合于：少样本、少特征！
  - 最强个体！
  - 把事儿办了 VS 把事儿办好
  - 低维空间分不开的数据，映射到高纬分开！
  - 训练时：很慢！
  - 推理时：很慢！
  - 准确率：很好！
- 逻辑回归：
  - 属于深度学习！
  - 二分类算法！
  - 看上去非常二，实际上很重要！
  - 打分函数！
  - sigmoid概率模拟
- 随机森林：
  - 集成学习！！！
  - base estimator：
    - 决策树
  - 随机：
    - 行级随机（对样本进行了随机采样）
    - 列级随机（最多使用了根下N的特征）
  - 森林：
    - 多棵决策树构成（默认：100棵）
  - Bagging + Voting 的融合体
  - 训练时，速度比较快！
  - 测试时，速度比较快！
  - 准确率：比较好！
- 其它集成学习：
  - AdaBoost
  - GradientBoost
  - XGBoost
  - LightGBM
  - …
回归：
- KNN
- 决策树
- 线性回归
- 支持向量机
- 随机森林
- 集成学习！！！
聚类：
- KMeans K均值算法
降维：
- PCA 主成分分析法

3. 流程

分析问题，搞定输入和输出；
- 输入：哪些特征？如何数字化？
- 输出：分类？回归？
根据输入和输出，构建数据集！
遴选一种算法，完成输入到输出的映射！
模型评估、部署、上线应用！

4. 代码（预测心血管疾病）

4.0 读入数据，数据规范化处理

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
import numpy as np
import time

# 读取数据
X=[]
y=[]
file_name='./心血管疾病数据集.csv'
with open(file = file_name,mode='r',encoding='utf8') as f:
    line_first = np.array