프로젝트 - Python을 사용한 지도 학습 - 로지스틱 회귀를 사용하여 심장마비 발생 가능성 예측
이 튜토리얼에서는 Python과 LogisticRegression 알고리즘을 사용하여 심장 마비 가능성을 예측하는 기계 학습 프로젝트를 보여줍니다. Kaggle에서 가져온 데이터 세트를 분석하여 예측 모델을 구축합니다.
주요 개념:
- 로지스틱 회귀
-
StandardScaler
(sklearn.preprocessing) fit_transform()
train_test_split()
model.predict()
model.predict_proba()
classification_report()
roc_auc_score()
프로젝트 목표:
이 프로젝트의 목적은 환자 데이터를 기반으로 심장 마비 위험을 예측하는 데 로지스틱 회귀 분석을 실제로 적용하는 방법을 보여주는 것입니다. 우리는 Python의 기능을 활용하여 이 예측 모델을 구축하고 평가할 것입니다.
Jupyter Notebook 및 데이터 세트는 여기에서 확인할 수 있습니다.
노트북: https://www.php.cn/link/aa3f874fb850d8908be9af3a69af4289
데이터 세트: https://www.php.cn/link/4223a1d5b9e017dda51515829140e5d2(Kaggle 출처: https://www.php.cn/link/5bb77e5c6d452aee283844d47756dc05)
향후 계획:
향후 튜토리얼에서는 Kaggle 로드맵 https://www.php.cn/link/4bea9e07f447fd088811cc81697a4d4e에 설명된 대로 지도 및 비지도 학습에 초점을 맞춘 추가 기계 학습 개념을 탐구할 것입니다. [#Machine Learning Engineer 2025년 로드맵]
대상:
이 튜토리얼은 기계 학습 학습에 관심이 있는 Python 애호가, 특히 해당 분야에 처음 입문하는 사람들을 위해 제작되었습니다. 선형 회귀를 다루는 이전 튜토리얼을 기반으로 합니다.
노트북을 자유롭게 실험하고 다양한 기계 학습 모델을 탐색해 보세요!
단계별 가이드:
1단계: 데이터 로딩
import pandas as pd data = pd.read_csv('heart-disease-prediction.csv') print(data.head())
Pandas를 사용하여 데이터세트를 로드합니다.
2단계: 탐색적 데이터 분석(EDA)
print(data.info())
데이터세트의 구조와 데이터 유형에 대한 요약을 제공합니다.
3단계: 누락된 데이터 처리
print(data.isnull().sum()) data.fillna(data.mean(), inplace=True) print(data.isnull().sum())
각 열의 평균을 사용하여 누락된 값을 식별하고 채웁니다.
4단계: 데이터 전처리
X = data[['age', 'totChol','sysBP','diaBP', 'cigsPerDay','BMI','glucose']] y = data['TenYearCHD']
관련 특성(X)과 대상 변수(y)를 선택했습니다.
5단계: 데이터 정규화
from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X = scaler.fit_transform(X)
모델 성능 향상을 위해 StandardScaler
을 사용하여 데이터를 정규화합니다.
6단계: 데이터 분할
import pandas as pd data = pd.read_csv('heart-disease-prediction.csv') print(data.head())
데이터 세트는 훈련 세트와 테스트 세트로 분할됩니다(80/20 분할).
7단계: 모델 훈련
print(data.info())
학습 데이터를 사용하여 로지스틱 회귀 모델을 학습합니다.
8단계: 모델 평가
print(data.isnull().sum()) data.fillna(data.mean(), inplace=True) print(data.isnull().sum())
모델의 성능은 classification_report
, roc_auc_score
을 이용하여 평가합니다.
9단계: 모델 예측
X = data[['age', 'totChol','sysBP','diaBP', 'cigsPerDay','BMI','glucose']] y = data['TenYearCHD']
훈련된 모델은 새로운 환자의 심장병 위험을 예측하는 데 사용됩니다.
향후 연습을 위해 추가 환자 데이터가 제공됩니다.
from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X = scaler.fit_transform(X)
위 내용은 프로젝트 - Python을 사용한 지도 학습 - 로지스틱 회귀를 사용하여 심장마비 발생 가능성 예측의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

핫 AI 도구

Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool
무료로 이미지를 벗다

Clothoff.io
AI 옷 제거제

Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!

인기 기사

뜨거운 도구

메모장++7.3.1
사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경

드림위버 CS6
시각적 웹 개발 도구

SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)

Python은 배우고 사용하기 쉽고 C는 더 강력하지만 복잡합니다. 1. Python Syntax는 간결하며 초보자에게 적합합니다. 동적 타이핑 및 자동 메모리 관리를 사용하면 사용하기 쉽지만 런타임 오류가 발생할 수 있습니다. 2.C는 고성능 응용 프로그램에 적합한 저수준 제어 및 고급 기능을 제공하지만 학습 임계 값이 높고 수동 메모리 및 유형 안전 관리가 필요합니다.

제한된 시간에 Python 학습 효율을 극대화하려면 Python의 DateTime, Time 및 Schedule 모듈을 사용할 수 있습니다. 1. DateTime 모듈은 학습 시간을 기록하고 계획하는 데 사용됩니다. 2. 시간 모듈은 학습과 휴식 시간을 설정하는 데 도움이됩니다. 3. 일정 모듈은 주간 학습 작업을 자동으로 배열합니다.

Python은 개발 효율에서 C보다 낫지 만 C는 실행 성능이 높습니다. 1. Python의 간결한 구문 및 풍부한 라이브러리는 개발 효율성을 향상시킵니다. 2.C의 컴파일 유형 특성 및 하드웨어 제어는 실행 성능을 향상시킵니다. 선택할 때는 프로젝트 요구에 따라 개발 속도 및 실행 효율성을 평가해야합니다.

하루에 2 시간 동안 파이썬을 배우는 것으로 충분합니까? 목표와 학습 방법에 따라 다릅니다. 1) 명확한 학습 계획을 개발, 2) 적절한 학습 자원 및 방법을 선택하고 3) 실습 연습 및 검토 및 통합 연습 및 검토 및 통합,이 기간 동안 Python의 기본 지식과 고급 기능을 점차적으로 마스터 할 수 있습니다.

Pythonlistsarepartoftsandardlardlibrary, whileraysarenot.listsarebuilt-in, 다재다능하고, 수집 할 수있는 반면, arraysarreprovidedByTearRaymoduledlesscommonlyusedDuetolimitedFunctionality.

파이썬은 자동화, 스크립팅 및 작업 관리가 탁월합니다. 1) 자동화 : 파일 백업은 OS 및 Shutil과 같은 표준 라이브러리를 통해 실현됩니다. 2) 스크립트 쓰기 : PSUTIL 라이브러리를 사용하여 시스템 리소스를 모니터링합니다. 3) 작업 관리 : 일정 라이브러리를 사용하여 작업을 예약하십시오. Python의 사용 편의성과 풍부한 라이브러리 지원으로 인해 이러한 영역에서 선호하는 도구가됩니다.

Python과 C는 각각 고유 한 장점이 있으며 선택은 프로젝트 요구 사항을 기반으로해야합니다. 1) Python은 간결한 구문 및 동적 타이핑으로 인해 빠른 개발 및 데이터 처리에 적합합니다. 2) C는 정적 타이핑 및 수동 메모리 관리로 인해 고성능 및 시스템 프로그래밍에 적합합니다.

웹 개발에서 Python의 주요 응용 프로그램에는 Django 및 Flask 프레임 워크 사용, API 개발, 데이터 분석 및 시각화, 머신 러닝 및 AI 및 성능 최적화가 포함됩니다. 1. Django 및 Flask 프레임 워크 : Django는 복잡한 응용 분야의 빠른 개발에 적합하며 플라스크는 소형 또는 고도로 맞춤형 프로젝트에 적합합니다. 2. API 개발 : Flask 또는 DjangorestFramework를 사용하여 RESTFULAPI를 구축하십시오. 3. 데이터 분석 및 시각화 : Python을 사용하여 데이터를 처리하고 웹 인터페이스를 통해 표시합니다. 4. 머신 러닝 및 AI : 파이썬은 지능형 웹 애플리케이션을 구축하는 데 사용됩니다. 5. 성능 최적화 : 비동기 프로그래밍, 캐싱 및 코드를 통해 최적화
