拓端tecdat|R語言邏輯回歸、随機森林、SVM支援向量機預測Framingham心髒病風險和模型診斷可視化

簡介

世界衛生組織估計全世界每年有 1200 萬人死于心髒病。在美國和其他發達國家，一半的死亡是由于心血管疾病。心血管疾病的早期預後可以幫助決定改變高危患者的生活方式，進而減少并發症。本研究旨在查明心髒病最相關/風險因素，并使用機器學習預測總體風險。

資料準備 

來源

該資料集來自對居民正在進行的心血管研究。分類目标是預測患者未來是否有 10 年患冠心病 (CHD) 的風險。資料集提供了患者的資訊。它包括超過 4,000 條記錄和 15 個屬性。

變量

每個屬性都是一個潛在的風險因素。有人口、行為和醫療風險因素。

 人口統計：

• 性别：男性或女性（标量）

• 年齡：患者年齡；（連續 - 盡管記錄的年齡已被截斷為整數，但年齡的概念是連續的）

行為

• 目前吸煙者：患者是否是目前吸煙者（标量）

• 每天吸煙數：此人一天内平均吸煙的香煙數量。（可以認為是連續的，因為一個人可以擁有任意數量的香煙，甚至半支香煙。）

• BP Meds：患者是否服用降壓藥（标量）

•中風：患者之前是否有中風（标量）

•  Hyp：患者是否患有高血壓（标量）

• 糖尿病：患者是否患有糖尿病（标量）

• Tot Chol：總膽固醇水準（連續）

• Sys BP：收縮壓（連續）

• Dia BP：舒張壓（連續）

• BMI：體重指數（連續）

• 心率：心率（連續 - 在醫學研究中，心率等變量雖然實際上是離散的，但由于存在大量可能值而被認為是連續的。）

• 葡萄糖：葡萄糖水準（連續）

預測變量（預期目标）

• 10 年患冠心病 CHD 的風險（二進制：“1”表示“是”，“0”表示“否”）

心髒病預測

1.  # 擷取資料
2.  rdaa <- read.csv（路徑）
3.  # 這邊可以考慮增加變量收縮壓與舒張壓之差、描述收縮壓、舒張壓與高血壓等級的變量
4.  # 看資料結構
5.  str(ata)

1.  # 考慮增加變量bplevel
2.  raw_data <- sqldf
3.  # 對變量類别進行區分
4.  ra_da <- map
5.  str(ra_da )

資料預處理

檢視和處理缺失值

1.  # 這裡我們使用mice包進行缺失值處理
2.  aggr

matplot      

由上圖可以看出，除了glucose變量，其它變量的缺失比例都低于5%，而glucose變量缺失率超過了10%。對此的處理政策是保留glucose變量的缺失值，直接删除其它變量的缺失值。 現在處理glucose的缺失值，

1.  # 處理glucose列
2.  lee_a <- subset & !is.na & !is.na & !is.na & !is.na & !is.na
3.  # 檢視glce與其它變量的線性相關性确定mice的填充政策
4.  gcog = glm(lcse ~ .)
5.  smry(glseg)

填充，排除不重要的變量。至于為什麼不選diaBP，主要是後面的相關性分析中，這兩個變量會造成多重共線性。

1.  mice%in% m=5, "pmm", mai = 50, sd=2333, pint= FALSE)
2.  #檢視填充結果
3.  smr(mc_od)

1.  # 檢視原始資料和插補後的資料分布情況
2.  epot(mi_md)

sipt(mcod, pch=12)      

1.  # 填充資料
2.  mi_t <- complete
3.  fir_aa$loe <- miout$guose
4.  sum(is.na(flda))

删除重複行

1.  # 檢視有無重複行并删除重複行
2.  sum(duplicated

comd_ata <- comdta[!duplicated(), ]      

檢視離群點

1.  #檢視異常值
2.  gplot(coedta)+geom_boxplot(ae(ftr(1),age))

ggplot(copd_dta)+geom_boxplot(aes(factor(1cigDy))      

ggplot(coea)+geom_boxplot(aes(factor(1),ttl))      

ggplot(colt_ta)+geom_boxplot(aes(factor(1),syBP))      

ggplot(comeaa)+geom_boxplot(aes(factor(1),daP))      

ggplot()+gem_boxplot(aes(factor(1),BMI))      

1.  # 檢視cigsPerDay
2.  cigs_sub <- comled_dta
3.  # 檢視totChol，删除異常點
4.  # 檢視sysBP, 删除異常點
5.  # 檢視BMI

totChol: 總膽固醇水準大于240mg/dl已屬于非常高，故删去水準值為600mg/dl的記錄。 sysBP: 去掉收縮壓為295mg/dl的記錄

1.  # 删除各變量離群點
2.  competedata
3.  # 分類型變量列聯分析
4.  ggplot+geom_boxplot

ggplot+geom_boxplot(aes,totChol,fill=TenYerCHD))      

1.  cometddata %>% fitr %>%
2.  ggplot

由圖像知，glucose和hearRate變量有不顯着的風險

1.  table1=table
2.  chisq.test

table1      

1.  table2=table
2.  chisq.test

1.  table3=table
2.  chisq.test

chisq.test      

ggpairs      

diaBP和sysBP有多重共線性的問題。 

currentSmoker變量可能不顯着，下面進入模型部分。

模型

1.  # 劃分資料集
2.  split = sample.split
3.  train = subset

邏輯回歸

1.  # 邏輯回歸模型 - 使用所有變量
2.  fultaog = glm
3.  summary(fulog)

1.  fldaog = glm
2.  summary(fuatLg)

1.  prdts = predict
2.  glm_le <- table

ACCU      

随機森林

1.  rfoel <- randomForest
2.  # 獲得重要性
3.  imprace

1.  # 選擇重要的因素
2.  rfmdel <- randomForest
3.  # 誤差
4.  plot

1.  # 擷取重要性
2.  ggplot +
3.  geom_bar
4.  geom_text

這裡有患病風險的誤差不降反升，需要探究其中原因

1.  # 繪制分類圖像
2.  pred<-predict
3.  pdou_1<-predict #輸出機率
4.  table <- table
5.  sum(diag/sum #預測準确率

plot(margin      

SVM支援向量機

1.  # 先進行模型調優
2.  tud <- tune.svm
3.  summary(tud )

1.  # 使用turning函數得到最佳參數設定支援向量機
2.  mel.nd <- svm
3.  cost=tuned$
4.  summary(modted)

1.  # 調用predict函數基于剛配置好的SVM模型進行類标号的預測：
2.  sm.ne.ed <- predict
3.  sv.tuedtble <- table
4.  sm.ue.tbe

acy.s.vm <- sum(diag)/sum      

模型診斷

根據上面三個模型的結果，可以看出預測結果的類别數量分布非常不均衡

sum      

sum(TeYaHD == 0)