【機器學習PAI實踐一】搭建心臟病預測案例

產品地址：https://data.aliyun.com/product/learn?spm=a21gt.99266.416540.102.OwEfx2

一、背景

心臟病是人類健康的頭號殺手。全世界1／3的人口死亡是因心臟病引起的，而我國，每年有幾十萬人死於心臟病。所以，如果可以通過提取人體相關的體側指標，通過資料探勘的方式來分析不同特徵對於心臟病的影響，對於預測和預防心臟病將起到至關重要的作用。本文將會通過真實的資料，通過阿里雲機器學習平臺搭建心臟病預測案例。

二、資料集介紹

資料來源： UCI開源資料集heart_disease
針對美國某區域的心臟病檢查患者的體測資料，共303條資料。具體欄位如下表：

欄位名	含義	型別	描述
age	年齡	string	物件的年齡，數字表示
sex	性別	string	物件的性別，female和male
cp	胸部疼痛型別	string	痛感由重到無typical、atypical、non-anginal、asymptomatic
trestbps	血壓	string	血壓數值
chol	膽固醇	string	膽固醇數值
fbs	空腹血糖	string	血糖含量大於120mg/dl為true，否則為false
restecg	心電圖結果	string	是否有T波，由輕到重為norm、hyp
thalach	最大心跳數	string	最大心跳數
exang	運動時是否心絞痛	string	是否有心絞痛，true為是，false為否
oldpeak	運動相對於休息的ST depression	string	st段壓數值
slop	心電圖ST segment的傾斜度	string	ST segment的slope，程度分為down、flat、up
ca	透視檢檢視到的血管數	string	透視檢檢視到的血管數
thal	缺陷種類	string	併發種類，由輕到重norm、fix、rev
status	是否患病	string	是否患病，buff是健康、sick是患病

三、資料探索流程

資料探勘流程如下：

整體實驗流程：

1.資料預處理

資料預處理也叫作資料清洗，主要在資料進入演算法流程前對資料進行去噪、填充缺失值、型別變換等操作。本次實驗的輸入資料包括14個特徵和1個目標佇列。需要解決的場景是根據使用者的體檢指標預測是否會患有心臟病，每個樣本只有患病或不患病兩種，是分類問題。因為本次分類實驗選用的是線性模型邏輯迴歸，要求輸入的特徵都是double型的資料。
輸入資料展示：

我們看到有很多資料是文字描述的，在資料預處理的過程中我們需要根據每個欄位的含義將字元型轉為數值。
1）二值類的資料
二值類的比較容易轉換，如sex欄位有兩種表現形式female和male，我們可以將female表示成0，把male表示成1。
2）多值類的資料
比如cp欄位，表示胸部的疼痛感，我們可以通過疼痛的由輕到重對映成0~3的數值。

資料的預處理通過sql指令碼來實現，具體請參考SQL指令碼-1元件，


select age,
(case sex when 'male' then 1 else 0 end) as sex,
(case cp when 'angina' then 0  when 'notang' then 1 else 2 end) as cp,
trestbps,
chol,
(case fbs when 'true' then 1 else 0 end) as fbs,
(case restecg when 'norm' then 0  when 'abn' then 1 else 2 end) as restecg,
thalach,
(case exang when 'true' then 1 else 0 end) as exang,
oldpeak,
(case slop when 'up' then 0  when 'flat' then 1 else 2 end) as slop,
ca,
(case thal when 'norm' then 0  when 'fix' then 1 else 2 end) as thal,
(case status  when 'sick' then 1 else 0 end) as ifHealth
from  ${t1};