拓端tecdat|R语言逻辑回归、随机森林、SVM支持向量机预测Framingham心脏病风险和模型诊断可视化

简介

世界卫生组织估计全世界每年有 1200 万人死于心脏病。在美国和其他发达国家，一半的死亡是由于心血管疾病。心血管疾病的早期预后可以帮助决定改变高危患者的生活方式，从而减少并发症。本研究旨在查明心脏病最相关/风险因素，并使用机器学习预测总体风险。

数据准备 

来源

该数据集来自对居民正在进行的心血管研究。分类目标是预测患者未来是否有 10 年患冠心病 (CHD) 的风险。数据集提供了患者的信息。它包括超过 4,000 条记录和 15 个属性。

变量

每个属性都是一个潜在的风险因素。有人口、行为和医疗风险因素。

 人口统计：

• 性别：男性或女性（标量）

• 年龄：患者年龄；（连续 - 尽管记录的年龄已被截断为整数，但年龄的概念是连续的）

行为

• 当前吸烟者：患者是否是当前吸烟者（标量）

• 每天吸烟数：此人一天内平均吸烟的香烟数量。（可以认为是连续的，因为一个人可以拥有任意数量的香烟，甚至半支香烟。）

• BP Meds：患者是否服用降压药（标量）

•中风：患者之前是否有中风（标量）

•  Hyp：患者是否患有高血压（标量）

• 糖尿病：患者是否患有糖尿病（标量）

• Tot Chol：总胆固醇水平（连续）

• Sys BP：收缩压（连续）

• Dia BP：舒张压（连续）

• BMI：体重指数（连续）

• 心率：心率（连续 - 在医学研究中，心率等变量虽然实际上是离散的，但由于存在大量可能值而被认为是连续的。）

• 葡萄糖：葡萄糖水平（连续）

预测变量（预期目标）

• 10 年患冠心病 CHD 的风险（二进制：“1”表示“是”，“0”表示“否”）

心脏病预测

1.  # 获取数据
2.  rdaa <- read.csv（路径）
3.  # 这边可以考虑增加变量收缩压与舒张压之差、描述收缩压、舒张压与高血压等级的变量
4.  # 看数据结构
5.  str(ata)

1.  # 考虑增加变量bplevel
2.  raw_data <- sqldf
3.  # 对变量类别进行区分
4.  ra_da <- map
5.  str(ra_da )

数据预处理

查看和处理缺失值

1.  # 这里我们使用mice包进行缺失值处理
2.  aggr

matplot      

由上图可以看出，除了glucose变量，其它变量的缺失比例都低于5%，而glucose变量缺失率超过了10%。对此的处理策略是保留glucose变量的缺失值，直接删除其它变量的缺失值。 现在处理glucose的缺失值，

1.  # 处理glucose列
2.  lee_a <- subset & !is.na & !is.na & !is.na & !is.na & !is.na
3.  # 查看glce与其它变量的线性相关性确定mice的填充策略
4.  gcog = glm(lcse ~ .)
5.  smry(glseg)

填充，排除不重要的变量。至于为什么不选diaBP，主要是后面的相关性分析中，这两个变量会造成多重共线性。

1.  mice%in% m=5, "pmm", mai = 50, sd=2333, pint= FALSE)
2.  #查看填充结果
3.  smr(mc_od)

1.  # 查看原始数据和插补后的数据分布情况
2.  epot(mi_md)

sipt(mcod, pch=12)      

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

删除重复行

1.  # 查看有无重复行并删除重复行
2.  sum(duplicated

comd_ata <- comdta[!duplicated(), ]      

查看离群点

1.  #查看异常值
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.  # 查看cigsPerDay
2.  cigs_sub <- comled_dta
3.  # 查看totChol，删除异常点
4.  # 查看sysBP, 删除异常点
5.  # 查看BMI

totChol: 总胆固醇水平大于240mg/dl已属于非常高，故删去水平值为600mg/dl的记录。 sysBP: 去掉收缩压为295mg/dl的记录

1.  # 删除各变量离群点
2.  competedata
3.  # 分类型变量列联分析
4.  ggplot+geom_boxplot

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

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

由图像知，glucose和hearRate变量有不显着的风险

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有多重共线性的问题。 

currentSmoker变量可能不显着，下面进入模型部分。

模型

1.  # 划分数据集
2.  split = sample.split
3.  train = subset

逻辑回归

1.  # 逻辑回归模型 - 使用所有变量
2.  fultaog = glm
3.  summary(fulog)

1.  fldaog = glm
2.  summary(fuatLg)

1.  prdts = predict
2.  glm_le <- table

ACCU      

随机森林

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

1.  # 选择重要的因素
2.  rfmdel <- randomForest
3.  # 误差
4.  plot

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

这里有患病风险的误差不降反升，需要探究其中原因

1.  # 绘制分类图像
2.  pred<-predict
3.  pdou_1<-predict #输出概率
4.  table <- table
5.  sum(diag/sum #预测准确率

plot(margin      

SVM支持向量机

1.  # 先进行模型调优
2.  tud <- tune.svm
3.  summary(tud )

1.  # 使用turning函数得到最佳参数设置支持向量机
2.  mel.nd <- svm
3.  cost=tuned$
4.  summary(modted)

1.  # 调用predict函数基于刚配置好的SVM模型进行类标号的预测：
2.  sm.ne.ed <- predict
3.  sv.tuedtble <- table
4.  sm.ue.tbe

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

模型诊断

根据上面三个模型的结果，可以看出预测结果的类别数量分布非常不均衡

sum      

sum(TeYaHD == 0)