Pima-Indians糖尿病检测数据集和XGBoost预测模型

一、问题描述

Pima Indians Diabetes 数据集是一个广泛用于机器学习和数据挖掘领域的公开数据集，特别适用于二元分类问题。该数据集由国家糖尿病、消化和肾脏疾病研究所（NIDDK）提供，并包含了关于 Pima 印第安女性的医疗信息，首次发布于1990年左右，主要用于研究和预测糖尿病的发生。特别是，这里的所有患者都是至少21岁的皮马印第安女性后裔。

通过建立的人工智能机器学习预测模型，可实现以下一些研究问题： 1.模型能准确预测个人是否患有糖尿病。 2.模型能挖掘哪些风险因素最能预测糖尿病风险。 3.我们能使用风险因素的一个子集来准确预测一个人是否患有糖尿病。 4.我们可以使用筛选几个重要糖尿病致病特征，然后组合创建为一个简短的问题，以准确预测某人是否可能患有糖尿病或是否有糖尿病的高风险。

二、数据集内容

数据集由8个医学预测变量和一个目标变量“结果”组成。预测变量包括患者怀孕次数、体重指数（BMI）、胰岛素水平、年龄等。该数据集包含 768 个观测值，它不是一个均衡的数据集，并且假设若值缺失则被替换为 0。

数据结构

数据集中有 768 条记录和 8 个数值型特征变量（加目标变量共 9 列）：

特征名称	描述
Pregnancies	怀孕次数
Glucose	2 小时口服葡萄糖耐量试验中的血浆葡萄糖浓度（mg/dL）
BloodPressure	舒张压（mm Hg）
SkinThickness	三头肌皮褶厚度（mm）
Insulin	2 小时血清胰岛素水平（mu U/mL）
BMI	身体质量指数（体重/身高²，单位为 kg/m²）
DiabetesPedigreeFunction	家族糖尿病遗传功能（遗传风险评分，反映家族遗传对糖尿病的影响）
Age	年龄（岁）
Outcome	目标变量，是否患糖尿病（1 表示患病，0 表示未患病）

数据样例

diabetes.csv

Pregnancies	Glucose	BloodPressure	SkinThickness	Insulin	BMI	DiabetesPedigreeFunction	Age	Outcome
6	148	72	35	0	33.6	0.627	50	1
1	85	66	29	0	26.6	0.351	31	0
8	183	64	0	0	23.3	0.672	32	1
1	89	66	23	94	28.1	0.167	21	0
0	137	40	35	168	43.1	2.288	33	1
5	116	74	0	0	25.6	0.201	30	0
3	78	50	32	88	31	0.248	26	1
10	115	0	0	0	35.3	0.134	29	0
2	197	70	45	543	30.5	0.158	53	1
8	125	96	0	0	0	0.232	54	1
4	110	92	0	0	37.6	0.191	30	0
10	168	74	0	0	38	0.537	34	1

数据集使用许可协议

CC0 1.0 Universal

Deed – CC0 1.0 Universal – Creative Commons

三、XGBoost预测建模样例

XGBoost（Extreme Gradient Boosting）是一种先进的机器学习开发包，主要用于提高机器学习和深度学习模型的性能和可靠性。它基于 Gradient Boosting Machine（GBM）/梯度提升机算法，并对其进行了优化和改进，以处理大规模数据集和高维特征空间。

XGBoost 的主要特点：

1. 高效性：XGBoost 使用并行计算和近似算法，能够在短时间内处理大规模数据集。
2. 准确性：XGBoost 采用了一系列优化技术，如正则化、权重衰减和提前停止等，以提高模型的准确性和泛化能力。
3. 鲁棒性：XGBoost 对异常值和噪声数据具有较好的鲁棒性，能够有效处理缺失值。
4. 灵活性：XGBoost 支持自定义损失函数和评估指标，适用于各种机器学习任务，如分类、回归、排序和推荐系统等。
5. 可解释性：XGBoost 提供了特征重要性评估，帮助用户理解模型决策过程。
6. 开源：XGBoost 是一个开源项目，拥有活跃的社区支持和丰富的文档资源。

xgboost版本信息

xgboost-2.1.1              |  py312haa95532_0          11 KB  anaconda

源码

classifier=xgboost.XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,
       colsample_bytree=0.3, gamma=0.0, learning_rate=0.25,
       max_delta_step=0, max_depth=3, min_child_weight=7, missing=None,
       n_estimators=100, n_jobs=1, nthread=None,
       objective='binary:logistic', random_state=0, reg_alpha=0,
       reg_lambda=1, scale_pos_weight=1, seed=None, silent=True,
       subsample=1)

这段代码定义了一个 XGBoost 分类器（XGBClassifier）的实例，并设置了一系列超参数。下面是对这些超参数的解释：

基本参数：

1. base_score：全局偏置项，用于初始化模型的预测值。默认值为 0.5。
2. booster：使用的学习器。默认值为 ‘gbtree’，表示使用梯度提升树。还可以选择 ‘gblinear’（线性模型）或 ‘dart’（丢弃提升树）。
3. objective：定义学习任务和相应的学习目标。对于分类任务，常用的有 ‘binary:logistic’（二分类逻辑回归）、’multi:softmax’（多分类）等。
4. random_state：随机数生成器的种子，用于确保结果的可重复性。

树的参数：

1. max_depth：树的最大深度。默认值为 3。
2. min_child_weight：叶子节点所需的最小权重和。默认值为 7。
3. gamma：用于控制树的分裂。默认值为 0.0。
4. subsample：用于训练每棵树的样本比例。默认值为 1。
5. colsample_bytree：用于训练每棵树的特征比例。默认值为 0.3。
6. colsample_bylevel：用于训练每个级别的特征比例。默认值为 1。

学习参数：

1. learning_rate：学习率，用于控制每一步的步长。默认值为 0.25。
2. n_estimators：学习器的数量。默认值为 100。
3. reg_alpha：L1 正则化项的权重。默认值为 0。
4. reg_lambda：L2 正则化项的权重。默认值为 1。
5. scale_pos_weight：用于平衡正负样本的权重。默认值为 1。

其他参数：

1. missing：指定如何处理缺失值。默认值为 None。
2. n_jobs：并行运行的作业数。默认值为 1。
3. nthread：使用的线程数。默认值为 None。
4. seed：随机数生成器的种子。默认值为 None。
5. silent：是否输出日志信息。默认值为 True。

这些参数可以根据具体任务进行调整，以优化模型的性能。

源码开源协议

GPL3.0
Copyright (C) 2007 Free Software Foundation, Inc. <https://fsf.org/>
Everyone is permitted to copy and distribute verbatim copies of this license document.

四、获取案例套件

需要登录后才允许下载文件包。登录