使用 Logistic 回归进行 Kaggle 乳腺癌威斯康星州诊断

简介

本文将介绍如何使用 Python 中的 sklearn 库进行 Logistic 回归，以诊断 Kaggle 乳腺癌威斯康星州诊断数据集。我们将探索如何读取和理解数据，如何对数据进行预处理，以及如何训练和评估 Logistic 回归模型。

数据集

数据集来自 Kaggle，包含乳腺癌诊断的特征和分类标签。该数据集可以从以下链接中下载：

https://www.kaggle.com/uciml/breast-cancer-wisconsin-data

数据集包括 569 个样本和 30 个特征，特征包括半径、纹理、周长、面积、平滑度等等。

导入库

我们将使用以下库：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

pandas

pandas 是一个开源数据分析工具，可用于导入和处理数据。我们将使用它来读取 CSV 文件。

numpy

numpy 是一个用于科学计算的 Python 库。我们将使用它来进行数组操作。

scikit-learn

scikit-learn 是一个 Python 库，可用于机器学习任务，包括分类、回归和聚类。我们将使用它来拟合 Logistic 回归模型。

读取数据

使用 pandas 从 CSV 文件中读取数据：

data = pd.read_csv('data.csv')

数据预处理

由于我们比较关心的是良性和恶性两种分类，我们将把 'M'（恶性）替换为 1，'B'（良性）替换为 0。我们还需要删除 'id' 和 'Unnamed: 32' 这两个列。

data.drop(['id', 'Unnamed: 32'], axis=1, inplace=True)
data.diagnosis = data.diagnosis.map({'M':1, 'B':0})

接下来，我们需要将数据划分为训练集和测试集。我们可以使用 train_test_split 函数来随机划分数据集。

X_train, X_test, y_train, y_test = train_test_split(data.drop('diagnosis', axis=1), 
                                                    data.diagnosis, 
                                                    test_size=0.2, 
                                                    random_state=42)

训练模型

创建一个 Logistic Regression 模型，并将训练数据拟合到模型上。我们可以使用 score 函数来评估模型的准确性。如果评分较低，我们可能需要尝试调整模型参数来获得更好的准确性。

lr = LogisticRegression(random_state=42)
lr.fit(X_train, y_train)
print(lr.score(X_train, y_train))

评估模型

我们将使用 accuracy_score 和 confusion_matrix 两个函数来评估模型。

accuracy_score

accuracy_score 函数将真实值和预测值作为输入，并输出准确性。准确性的值在 0 到 1 之间，1 表示预测完全正确，0 表示预测完全错误。我们可以通过调整模型参数来提高准确性。

y_pred = lr.predict(X_test)
print(accuracy_score(y_test, y_pred))

confusion_matrix

confusion_matrix 函数将真实值和预测值作为输入，并输出一个 2x2 矩阵，表示四种不同的结果情况（真正、假正、真负、假负）。

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_test, y_pred)
print(cm)

总结

在本文中，我们学习了如何使用 Python 中的 scikit-learn 库来进行 Logistic 回归分类任务。我们先读取了数据集，然后进行了预处理，最后将数据集划分为训练集和测试集。我们训练了一个 Logistic Regression 模型，并使用 accuracy_score 和 confusion_matrix 函数来评估模型的性能。在实际应用中，我们可能需要尝试不同的模型和参数，并选择最佳的模型来进行预测。