一、赛事背景
截至2022年,中国糖尿病患者近1.3亿。中国糖尿病患病原因受生活方式、老龄化、城市化、家族遗传等多种因素影响。同时,糖尿病患者趋向年轻化。
糖尿病可导致心血管、肾脏、脑血管并发症的发生。因此,准确诊断出患有糖尿病个体具有非常重要的临床意义。糖尿病早期遗传风险预测将有助于预防糖尿病的发生。
根据《中国2型糖尿病防治指南(2017年版)》,糖尿病的诊断标准是具有典型糖尿病症状(烦渴多饮、多尿、多食、不明原因的体重下降)且随机静脉血浆葡萄糖≥11.1mmol/L或空腹静脉血浆葡萄糖≥7.0mmol/L或口服葡萄糖耐量试验(OGTT)负荷后2h血浆葡萄糖≥11.1mmol/L。
在这次比赛中,您需要通过训练数据集构建糖尿病遗传风险预测模型,然后预测出测试数据集中个体是否患有糖尿病,和我们一起帮助糖尿病患者解决这“甜蜜的烦恼”。
二、赛事任务
2.1 数据集字段说明
编号:标识个体身份的数字;
性别:1表示男性,0表示女性;
出生年份:出生的年份;
体重指数:体重除以身高的平方,单位kg/m2;
糖尿病家族史:标识糖尿病的遗传特性,记录家族里面患有糖尿病的家属,分成三种标识,分别是父母有一方患有糖尿病、叔叔或者姑姑有一方患有糖尿病、无记录;
舒张压:心脏舒张时,动脉血管弹性回缩时,产生的压力称为舒张压,单位mmHg;
口服耐糖量测试:诊断糖尿病的一种实验室检查方法。比赛数据采用120分钟耐糖测试后的血糖值,单位mmol/L;
胰岛素释放实验:空腹时定量口服葡萄糖刺激胰岛β细胞释放胰岛素。比赛数据采用服糖后120分钟的血浆胰岛素水平,单位pmol/L;
肱三头肌皮褶厚度:在右上臂后面肩峰与鹰嘴连线的重点处,夹取与上肢长轴平行的皮褶,纵向测量,单位cm;
患有糖尿病标识:数据标签,1表示患有糖尿病,0表示未患有糖尿病。
2.2 训练集说明
训练集(比赛训练集.csv)一共有5070条数据,用于构建您的预测模型(您可能需要先进行数据分析)。数据的字段有编号、性别、出生年份、体重指数、糖尿病家族史、舒张压、口服耐糖量测试、胰岛素释放实验、肱三头肌皮褶厚度、患有糖尿病标识(最后一列),您也可以通过特征工程技术构建新的特征。
2.3 测试集说明
测试集(比赛测试集.csv)一共有1000条数据,用于验证预测模型的性能。数据的字段有编号、性别、出生年份、体重指数、糖尿病家族史、舒张压、口服耐糖量测试、胰岛素释放实验、肱三头肌皮褶厚度。
三、提交说明
对于测试数据集当中的个体,您必须预测其是否患有糖尿病(患有糖尿病:1,未患有糖尿病:0),预测值只能是整数1或者0。提交的数据应该具有如下格式:
uuid,label
1,0
2,1
3,1
...
本次比赛中,预测模型的结果文件需要命名成:预测结果.csv,然后提交。请确保您提交的文件格式规范。
四、评估指标
对于提交的结果,系统会采用二分类任务中的F1-score指标进行评价,F1-score越大说明预测模型性能越好,F1-score的定义如下:
其中:
五、数据分析
5.1导入数据
- 解压比赛数据,并使用pandas进行读取;
import pandas as pd train_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛训练集.csv', encoding='gbk') test_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛测试集.csv', encoding='gbk') print(train_df.shape, test_df.shape) print(train_df.dtypes, test_df.dtypes)
5.2查看训练集和测试集字段类型
5.3统计字段的缺失值
train_df.isnull().sum()
编号 0 性别 0 出生年份 0 体重指数 0 糖尿病家族史 0 舒张压 247 口服耐糖量测试 0 胰岛素释放实验 0 肱三头肌皮褶厚度 0 患有糖尿病标识 0 dtype: int64
test_df.isnull().sum()
编号 0 性别 0 出生年份 0 体重指数 0 糖尿病家族史 0 舒张压 49 口服耐糖量测试 0 胰岛素释放实验 0 肱三头肌皮褶厚度 0 dtype: int64
训练集和测试集各列缺失比例计算
唯一包含缺失值的是舒张压这一列,且缺失值占比不大。
但是明显的发现训练集中:
口服耐糖量测试为-1的也属于缺失值,胰岛素释放实验为0的也属于缺失值,肱三头肌厚度为0的也属于缺失值,待后面在处理。
5.4分析字段类型
截图来自阿水。
训练集和测试集描述
5.5字段相关性
import matplotlib.pyplot as plt import seaborn as sns plt.rcParams['font.sans-serif'] = ['FangSong'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # 训练集相关性热力图矩阵 plt.subplots(figsize=(10,10)) sns.heatmap(train_df.corr(method='pearson'), annot=True, vmax=1, square=True, cmap='YlGnBu') plt.savefig('train_pearson.jpg', dpi=800)
如何画热力图: http://t.csdn.cn/FQIro
# 测试集相关性热力图矩阵 plt.subplots(figsize=(10,10)) sns.heatmap(test_df.corr(method='pearson'), annot=True, vmax=1, square=True, cmap='YlGnBu') plt.savefig('test_pearson.jpg', dpi=800)
从热力图可以看出,训练集中体重指数和肱三头肌皮褶厚度与标签的相关性相对较高,肱三头肌皮褶厚度与标签的相关性最高。各字段之间的相关性普遍不高。
六、逻辑回归尝试
6.1导入sklearn的逻辑回归
# 构建逻辑回归模型 import numpy as np from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.preprocessing import MinMaxScaler from sklearn.pipeline import make_pipeline
# 构建逻辑回归模型 model = make_pipeline( MinMaxScaler(), LogisticRegression() ) model.fit(train_dataset,train_data["患有糖尿病标识"])
6.2使用训练集和逻辑回归进行训练,并在测试集上进行预测;
test_dataset["label"] = model.predict(test_dataset.drop(["编号"],axis=1))
test_dataset.rename({"编号":'uuid'},axis=1)[['uuid','label']].to_csv("submit_lr.csv",index=None)
6.3提交结果
6.4尝试决策树模型
# 尝试构建决策树模型 model = make_pipeline( MinMaxScaler(), DecisionTreeClassifier() ) model.fit(train_dataset,train_data["患有糖尿病标识"])
test_dataset["label"] = model.predict(test_dataset.drop(["编号",'label'],axis=1)) test_dataset.rename({"编号":'uuid'},axis=1)[['uuid','label']].to_csv("submit_dt.csv",index=None)
结果:
七、特征工程
7.1统计每个性别对应的[体重指数]、[舒张压]平均值
train_dataset.groupby("性别")["体重指数"].apply(np.mean)
7.2计算每个患者与每个性别平均值的差异
""" 人体的成人体重指数正常值是在18.5-24之间 低于18.5是体重指数过轻 在24-27之间是体重超重 27以上考虑是肥胖 高于32了就是非常的肥胖。 """ def BMI(a): if a<18.5: return 0 elif 18.5<=a<=24: return 1 elif 24<a<=27: return 2 elif 27<a<=32: return 3 else: return 4 data['BMI']=data['体重指数'].apply(BMI) data['出生年份']=2022-data['出生年份'] #换成年龄 #糖尿病家族史 """ 无记录 叔叔或者姑姑有一方患有糖尿病/叔叔或姑姑有一方患有糖尿病 父母有一方患有糖尿病 """ def FHOD(a): if a=='无记录': return 0 elif a=='叔叔或者姑姑有一方患有糖尿病' or a=='叔叔或姑姑有一方患有糖尿病': return 1 else: return 2 data['糖尿病家族史']=data['糖尿病家族史'].apply(FHOD) data['舒张压']=data['舒张压'].fillna(-1) """ 舒张压范围为60-90 """ def DBP(a): if a<60: return 0 elif 60<=a<=90: return 1 elif a>90: return 2 else: return a data['DBP']=data['舒张压'].apply(DBP) data
八、高阶树模型
8.1安装lightgbm
import lightgbm as lgb import pandas as pd import numpy as np from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.preprocessing import MinMaxScaler from sklearn.pipeline import make_pipeline from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score
8.2将训练集20%划分为验证集,使用LightGBM完成训练
train_data = pd.read_csv("比赛训练集.csv",encoding='gbk') test_data = pd.read_csv("比赛测试集.csv",encoding='gbk') train_data = pd.get_dummies(train_data) test_data = pd.get_dummies(test_data) # 划分数据集 train_x,valid_x = train_test_split(train_data,test_size=0.2)
clf_lgb = lgb.LGBMClassifier( max_depth=3, n_estimators=4000, n_jobs=-1, verbose=-1, verbosity=-1, learning_rate=0.1, ) clf_lgb.fit(train_x.drop(["患有糖尿病标识"],axis=1),train_x["患有糖尿病标识"]) predicts = clf_lgb.predict(valid_x.drop(["患有糖尿病标识"],axis=1)) print(accuracy_score(valid_x["患有糖尿病标识"], predicts))
[LightGBM] [Warning] verbosity is set=-1, verbose=-1 will be ignored. Current value: verbosity=-1 0.9546351084812623
# 搜索参数 kfold = StratifiedKFold(n_splits=5,shuffle=True,random_state=2022) classifier = lgb.LGBMClassifier() params = { " max_depth":[4,5,6], "n_estimators":[3000,4000,5000], "learning_rate":[0.15,0.2,0.25] } clf = GridSearchCV(estimator=classifier,param_grid=params,verbose=True,cv=kfold) clf.fit(train_x.drop(["患有糖尿病标识"],axis=1),train_x["患有糖尿病标识"]) predicts1 = clf.best_estimator_.predict(valid_x.drop(["患有糖尿病标识"],axis=1)) print(accuracy_score(valid_x["患有糖尿病标识"], predicts1))
九、多折训练与集成
import pandas as pd import numpy as np import seaborn as sns from sklearn.model_selection import KFold import lightgbm as lgb # 读取数据 train_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛训练集.csv', encoding='gbk') test_df = pd.read_csv('./糖尿病遗传风险预测挑战赛公开数据/比赛测试集.csv', encoding='gbk') # 基础特征工程 train_df['体重指数_round'] = train_df['体重指数'] // 10 test_df['体重指数_round'] = train_df['体重指数'] // 10 train_df['口服耐糖量测试'] = train_df['口服耐糖量测试'].replace(-1, np.nan) test_df['口服耐糖量测试'] = test_df['口服耐糖量测试'].replace(-1, np.nan) dict_糖尿病家族史 = { '无记录': 0, '叔叔或姑姑有一方患有糖尿病': 1, '叔叔或者姑姑有一方患有糖尿病': 1, '父母有一方患有糖尿病': 2 } train_df['糖尿病家族史'] = train_df['糖尿病家族史'].map(dict_糖尿病家族史) test_df['糖尿病家族史'] = test_df['糖尿病家族史'].map(dict_糖尿病家族史) train_df['糖尿病家族史'] = train_df['糖尿病家族史'].astype('category') test_df['糖尿病家族史'] = train_df['糖尿病家族史'].astype('category') train_df['性别'] = train_df['性别'].astype('category') test_df['性别'] = train_df['性别'].astype('category') train_df['年龄'] = 2022 - train_df['出生年份'] test_df['年龄'] = 2022 - test_df['出生年份'] train_df['口服耐糖量测试_diff'] = train_df['口服耐糖量测试'] - train_df.groupby('糖尿病家族史').transform('mean')['口服耐糖量测试'] test_df['口服耐糖量测试_diff'] = test_df['口服耐糖量测试'] - test_df.groupby('糖尿病家族史').transform('mean')['口服耐糖量测试'] # 模型交叉验证 def run_model_cv(model, kf, X_tr, y, X_te, cate_col=None): train_pred = np.zeros( (len(X_tr), len(np.unique(y))) ) test_pred = np.zeros( (len(X_te), len(np.unique(y))) ) cv_clf = [] for tr_idx, val_idx in kf.split(X_tr, y): x_tr = X_tr.iloc[tr_idx]; y_tr = y.iloc[tr_idx] x_val = X_tr.iloc[val_idx]; y_val = y.iloc[val_idx] call_back = [ lgb.early_stopping(50), ] eval_set = [(x_val, y_val)] model.fit(x_tr, y_tr, eval_set=eval_set, callbacks=call_back, verbose=-1) cv_clf.append(model) train_pred[val_idx] = model.predict_proba(x_val) test_pred += model.predict_proba(X_te) test_pred /= kf.n_splits return train_pred, test_pred, cv_clf clf = lgb.LGBMClassifier( max_depth=3, n_estimators=4000, n_jobs=-1, verbose=-1, verbosity=-1, learning_rate=0.1, ) train_pred, test_pred, cv_clf = run_model_cv( clf, KFold(n_splits=5), train_df.drop(['编号', '患有糖尿病标识'], axis=1), train_df['患有糖尿病标识'], test_df.drop(['编号'], axis=1), ) print((train_pred.argmax(1) == train_df['患有糖尿病标识']).mean()) test_df['label'] = test_pred.argmax(1) test_df.rename({'编号': 'uuid'}, axis=1)[['uuid', 'label']].to_csv('submit.csv', index=None)
第一次参加数据挖掘的竞赛,很多地方借鉴大佬的,学到了很多,下次努力。