深度学习R7周：糖尿病预测模型优化探索

• 🍨 本文为🔗365天深度学习训练营中的学习记录博客
• 🍖 原作者：K同学啊

学习目标：

思考本案例是否还有进一步优化的空间

环境：

语言环境：Python3.8

编译器：pycharm

深度学习环境：pytorch

1.数据预处理

1.1 设置GPU

#设置GPU
import torch.nn as nn
import torch.nn.functional as F
import torchvision,torch


device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

print(device)

结果输出：

1.2数据导入

#导入数据
import numpy   as np
import pandas  as pd
import seaborn as sns
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
plt.rcParams['savefig.dpi'] = 500 #图片像素
plt.rcParams['figure.dpi'] = 500 #分辨率

plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签

import warnings
warnings.filterwarnings('ignore')

DataFrame = pd.read_excel('/pythonProject/dia.xls')
print(DataFrame.head())
print(DataFrame.shape)

结果输出：

1.3数据检查

#查看数据是否有缺失值
print('数据缺失值--------------------------')
print(DataFrame.isnull().sum())

#查看数据是否有重复值
print('数据重复值--------------------------')
print('数据集的重复值为：'f'{DataFrame.duplicated().sum()}')

结果输出：

2.数据分析

2.1数据分布分析

feature_map = {'年龄': '年龄',
               '高密度脂蛋白胆固醇': '高密度脂蛋白胆固醇',
               '低密度脂蛋白胆固醇': '低密度脂蛋白胆固醇',
               '极低密度脂蛋白胆固醇': '极低密度脂蛋白胆固醇',
               '甘油三酯': '甘油三酯',
               '总胆固醇': '总胆固醇',
               '脉搏': '脉搏',
               '舒张压': '舒张压',
               '高血压史': '高血压史',
               '尿素氮': '尿素氮',
               '尿酸': '尿酸',
               '肌酐': '肌酐',
               '体重检查结果': '体重检查结果'}

plt.figure(figsize=(15, 10))

for i, (col, col_name) in enumerate(feature_map.items(), 1):
    plt.subplot(3, 5, i)
    sns.boxplot(x=DataFrame['是否糖尿病'], y=DataFrame[col])
    plt.title(f'{col_name}的箱线图', fontsize=14)
    plt.ylabel('数值', fontsize=12)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

plt.tight_layout()
plt.show()

结果输出：一直找怎么解决字体变大问题，但都没找到，猜测是不是电脑问题

2.2相关性分析

#相关性分析
import plotly
import plotly.express as px

#删除列“卡号”
DataFrame.drop(columns=['卡号'], inplace =True)
#计算各列之间的相关系数
df_corr = DataFrame.corr()

#相关矩阵生成函数
def corr_generate(df):
    fig = px.imshow(df,text_auto=True, aspect="auto", color_continuous_scale= 'RdBu_r')
    fig.show()
    
#生成相关矩阵
corr_generate(df_corr)

结果分析：

三、LSTM模型

3.1划分数据集

#划分数据集
from sklearn.preprocessing import StandardScaler

# '高密度脂蛋白胆固醇'字段与糖尿病负相关，故而在 X 中去掉该字段
X = DataFrame.drop(['卡号','是否糖尿病','高密度脂蛋白胆固醇'],axis=1)
y = DataFrame['是否糖尿病']

# 数据集标准化处理
sc_X    = StandardScaler()
X = sc_X.fit_transform(X)

X = torch.tensor(np.array(X), dtype=torch.float32)
y = torch.tensor(np.array(y), dtype=torch.int64)

train_X, test_X, train_y, test_y = train_test_split(X, y,
                                                    test_size=0.2,
                                                    random_state=1)
print(train_X.shape, train_y.shape)

3.2数据集构建

#数据集构建
from torch.utils.data import TensorDataset, DataLoader

train_dl = DataLoader(TensorDataset(train_X, train_y),batch_size=64,shuffle=False)
test_dl  = DataLoader(TensorDataset(test_X, test_y),batch_size=64,shuffle=False)

3.3定义模型

# 定义模型
class model_lstm(nn.Module):
    def __init__(self):
        super(model_lstm, self).__init__()
        self.lstm0 = nn.LSTM(input_size=13, hidden_size=200, num_layers=1, batch_first=True)
        self.lstm1 = nn.LSTM(input_size=200, hidden_size=200, num_layers=1, batch_first=True)
        self.fc0 = nn.Linear(200, 2)

    def forward(self, x):
        out, hidden1 = self.lstm0(x)
        out, _ = self.lstm1(out, hidden1)
        out = self.fc0(out)
        return out


model = model_lstm().to(device)
print(model)

结果输出：

4.训练模型

4.1定义训练函数

# 定义训练函数
def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)  # 训练集的大小
    num_batches = len(dataloader)  # 批次数目, (size/batch_size，向上取整)

    train_loss, train_acc = 0, 0  # 初始化训练损失和正确率

    for X, y in dataloader:  # 获取图片及其标签
        X, y = X.to(device), y.to(device)

        # 计算预测误差
        pred = model(X)  # 网络输出
        loss = loss_fn(pred, y)  # 计算网络输出和真实值之间的差距，targets为真实值，计算二者差值即为损失

        # 反向传播
        optimizer.zero_grad()  # grad属性归零
        loss.backward()  # 反向传播
        optimizer.step()  # 每一步自动更新

        # 记录acc与loss
        train_acc += (pred.argmax(1) == y).type(torch.float).sum().item()
        train_loss += loss.item()

    train_acc /= size
    train_loss /= num_batches

    return train_acc, train_loss

4.2定义测试函数

# 定义测试函数
def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)  # 测试集的大小
    num_batches = len(dataloader)  # 批次数目, (size/batch_size，向上取整)
    test_loss, test_acc = 0, 0

    # 当不进行训练时，停止梯度更新，节省计算内存消耗
    with torch.no_grad():
        for imgs, target in dataloader:
            imgs, target = imgs.to(device), target.to(device)

            # 计算loss
            target_pred = model(imgs)
            loss = loss_fn(target_pred, target)

            test_loss += loss.item()
            test_acc += (target_pred.argmax(1) == target).type(torch.float).sum().item()

    test_acc /= size
    test_loss /= num_batches

    return test_acc, test_loss

4.3训练模型

# 训练模型
loss_fn = nn.CrossEntropyLoss()  # 创建损失函数
learn_rate = 1e-4  # 学习率
opt = torch.optim.Adam(model.parameters(), lr=learn_rate)
epochs = 30

train_loss = []
train_acc = []
test_loss = []
test_acc = []

for epoch in range(epochs):
    model.train()
    epoch_train_acc, epoch_train_loss = train(train_dl, model, loss_fn, opt)

    model.eval()
    epoch_test_acc, epoch_test_loss = test(test_dl, model, loss_fn)

    train_acc.append(epoch_train_acc)
    train_loss.append(epoch_train_loss)
    test_acc.append(epoch_test_acc)
    test_loss.append(epoch_test_loss)

    # 获取当前的学习率
    lr = opt.state_dict()['param_groups'][0]['lr']

    template = ('Epoch:{:2d}, Train_acc:{:.1f}%, Train_loss:{:.3f}, Test_acc:{:.1f}%, Test_loss:{:.3f}, Lr:{:.2E}')
    print(template.format(epoch + 1, epoch_train_acc * 100, epoch_train_loss,
                          epoch_test_acc * 100, epoch_test_loss, lr))

print("=" * 20, 'Done', "=" * 20)

结果输出：

5.模型评估

5.1Loss与Accuracy图

#Loss与Accuracy图
import matplotlib.pyplot as plt
#隐藏警告
import warnings
warnings.filterwarnings("ignore")               #忽略警告信息
plt.rcParams['font.sans-serif']    = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False      # 用来正常显示负号
plt.rcParams['figure.dpi']         = 100        #分辨率

from datetime import datetime
current_time = datetime.now()

epochs_range = range(epochs)

plt.figure(figsize=(12, 3))
plt.subplot(1, 2, 1)

plt.plot(epochs_range, train_acc, label='Training Accuracy')
plt.plot(epochs_range, test_acc, label='Test Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.xlabel(current_time)

plt.subplot(1, 2, 2)
plt.plot(epochs_range, train_loss, label='Training Loss')
plt.plot(epochs_range, test_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

结果输出：

6.总结

根据数据，可以看到，划分数据集后添加标准化处理，对精度是有一定改善的。但看图，仍存在有一定的过拟合现象，这是还需要再改进的，可能可以考虑正则化方法或者增加数据量的方法缓解过拟合问题。

在划分数据集过程中添加标准化处理可以提升测试数据集准确率的原因主要有以下几点：

①消除量纲影响：

1.不同特征往往具有不同的量纲和尺度。例如，一个特征可能取值范围在 0 到 100 之间，而另一个特征可能取值在 0 到 1 之间。这会使得在某些算法中，具有较大数值范围的特征对模型的影响更大，从而可能导致模型偏向于这些特征，而忽略了其他重要特征的作用。

2.标准化处理将数据的各个特征转换到相同的尺度上，通常使得特征的均值为 0，标准差为 1。这样可以确保每个特征在模型中具有相对平等的影响力，避免了因量纲差异而导致的不公平性。

②加速模型收敛

1.许多优化算法在处理标准化后的数据时能够更快地收敛。例如，梯度下降算法在标准化的数据上能够更有效地确定下降的方向和步长，因为数据的分布更加稳定，不会因为特征的尺度差异而导致梯度在不同方向上的变化幅度差异巨大。
2.当数据经过标准化后，模型在训练过程中可以更稳定地更新参数，减少了因数据尺度不一致而引起的震荡，从而更快地找到最优解，这也有助于提高模型在测试集上的准确率。

③提高模型泛化能力

1.标准化可以使模型对不同单位和尺度的输入数据具有更好的适应性，从而提高模型的泛化能力。如果模型在训练时只适应了特定尺度的数据集，那么在面对测试集上不同尺度的数据时，可能表现不佳。
2.标准化处理可以减少异常值对模型的影响。异常值在未标准化的数据中可能会对模型产生较大的干扰，而经过标准化后，异常值的影响相对减小，模型能够更加关注数据的整体分布特征，从而提高在测试集上的准确率。

此部分来自：R6：LSTM实现糖尿病探索与预测_lstm疾病预测-CSDN博客