《如何打一場(chǎng)數(shù)據(jù)挖掘賽事》入門版

—— 貢獻(xiàn)者：牧小熊、駱秀韜

一、準(zhǔn)備步驟

1.1 平臺(tái)注冊(cè)與比賽報(bào)名

1. 賽事鏈接：
   https://challenge.xfyun.cn/topic/info?type=diabetes&ch=ds22-dw-gzh02

2. 注冊(cè)（記得填寫個(gè)人信息）

3. 點(diǎn)擊報(bào)名參賽，顯示成功報(bào)名

1.2 數(shù)據(jù)下載

數(shù)據(jù)獲取

• 官網(wǎng)下載數(shù)據(jù)：下載數(shù)據(jù)及實(shí)名認(rèn)證。
  詳細(xì)操作可查看：https://xj15uxcopw.feishu.cn/docx/doxcn11gwo7cEuAXWhCrDld4Inb
• 請(qǐng)把數(shù)據(jù)文件和代碼文件放在同一個(gè)文件夾下，保證正常運(yùn)行

1.3 參考資料

python環(huán)境的搭建請(qǐng)參考：

• Mac設(shè)備：Mac上安裝Anaconda最全教程 https://zhuanlan.zhihu.com/p/350828057
• Windows設(shè)備：Anaconda超詳細(xì)安裝教程
   https://blog.csdn.net/fan18317517352/article/details/123035625
  
  

二、實(shí)踐思路

本次比賽是一個(gè)數(shù)據(jù)挖掘賽，需要選手通過(guò)訓(xùn)練集數(shù)據(jù)構(gòu)建模型，然后對(duì)驗(yàn)證集數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果進(jìn)行提交。

本題的任務(wù)是構(gòu)建一種模型，該模型能夠根據(jù)患者的測(cè)試數(shù)據(jù)來(lái)預(yù)測(cè)這個(gè)患者是否患有糖尿病。這種類型的任務(wù)是典型的二分類問(wèn)題（患有糖尿病 / 不患有糖尿病），模型的預(yù)測(cè)輸出為 0 或 1 （患有糖尿?。?，未患有糖尿?。?）

機(jī)器學(xué)習(xí)中，關(guān)于分類任務(wù)我們一般會(huì)想到邏輯回歸、決策樹(shù)等算法，在這個(gè) Baseline 中，我們嘗試使用決策樹(shù)來(lái)構(gòu)建我們的模型。我們?cè)诮鉀Q機(jī)器學(xué)習(xí)問(wèn)題時(shí)，一般會(huì)遵循以下流程：

2.1 代碼實(shí)現(xiàn)

以下代碼，請(qǐng)?jiān)趈upyter notbook或python編譯器環(huán)境中實(shí)現(xiàn)

#安裝相關(guān)依賴庫(kù) 如果是windows系統(tǒng)，cmd命令框中輸入pip安裝，參考上述環(huán)境配置
#!pip install sklearn
#!pip install pandas
#---------------------------------------------------
#導(dǎo)入庫(kù)
#----------------數(shù)據(jù)探索----------------
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
#數(shù)據(jù)預(yù)處理
data1=pd.read_csv('比賽訓(xùn)練集.csv',encoding='gbk')
data2=pd.read_csv('比賽測(cè)試集.csv',encoding='gbk')
#label標(biāo)記為-1
data2['患有糖尿病標(biāo)識(shí)']=-1
#訓(xùn)練集和測(cè)試機(jī)合并
data=pd.concat([data1,data2],axis=0,ignore_index=True)
#將舒張壓特征中的缺失值填充為-1
data['舒張壓']=data['舒張壓'].fillna(-1)

#----------------特征工程----------------
"""
將出生年份換算成年齡
"""
data['年齡']=2022-data['出生年份']  #換成年齡

"""
人體的成人體重指數(shù)正常值是在18.5-24之間
低于18.5是體重指數(shù)過(guò)輕
在24-27之間是體重超重
27以上考慮是肥胖
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['體重指數(shù)'].apply(BMI)

#糖尿病家族史
"""
無(wú)記錄
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=='無(wú)記錄':
        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)
"""
舒張壓范圍為60-90
"""
def DBP(a):
    if 0<=a<60:
        return 0
    elif 60<=a<=90:
        return 1
    elif a>90:
        return 2
    else:
        return a
data['DBP']=data['舒張壓'].apply(DBP)

#------------------------------------
#將處理好的特征工程分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集是用來(lái)訓(xùn)練模型，測(cè)試集用來(lái)評(píng)估模型準(zhǔn)確度
#其中編號(hào)和患者是否得糖尿病沒(méi)有任何聯(lián)系，屬于無(wú)關(guān)特征予以刪除
train=data[data['患有糖尿病標(biāo)識(shí)'] !=-1]
test=data[data['患有糖尿病標(biāo)識(shí)'] ==-1]
train_label=train['患有糖尿病標(biāo)識(shí)']
train=train.drop(['編號(hào)','患有糖尿病標(biāo)識(shí)','出生年份'],axis=1)
test=test.drop(['編號(hào)','患有糖尿病標(biāo)識(shí)','出生年份'],axis=1)

#----------------模型訓(xùn)練----------------
model = DecisionTreeClassifier()
model.fit(train, train_label) 
y_pre=model.predict(test)
y_pre

#----------------結(jié)果輸出----------------
result=pd.read_csv('提交示例.csv')
result['label']=y_pre
result.to_csv('result-de.csv',index=False)

2.2 結(jié)果提交

在提交結(jié)果處提交，提交 預(yù)測(cè)結(jié)果.csv（程序生成的CSV文件），查看自己的成績(jī)排名