原文链接：http://tecdat.cn/?p=24973?
原文出处：拓端数据部落公众号
简介
世界卫生组织估计全世界每年有 1200 万人死于心脏病。在美国和其他发达国家，一半的死亡是由于心血管疾病。心血管疾病的早期预后可以帮助决定改变高危患者的生活方式，从而减少并发症。本研究旨在查明心脏病最相关/风险因素，并使用机器学习预测总体风险。
?
数据准备?
来源
该数据集来自对居民正在进行的心血管研究。分类目标是预测患者未来是否有 10 年患冠心病 (CHD) 的风险。数据集提供了患者的信息。它包括超过 4,000 条记录和 15 个属性。
变量
每个属性都是一个潜在的风险因素。有人口、行为和医疗风险因素。
?人口统计：
? 性别：男性或女性（标量）
? 年龄：患者年龄；（连续 - 尽管记录的年龄已被截断为整数，但年龄的概念是连续的）
行为
? 当前吸烟者：患者是否是当前吸烟者（标量）
? 每天吸烟数：此人一天内平均吸烟的香烟数量。（可以认为是连续的，因为一个人可以拥有任意数量的香烟，甚至半支香烟。）
? BP Meds：患者是否服用降压药（标量）
?中风：患者之前是否有中风（标量）
?? Hyp：患者是否患有高血压（标量）
? 糖尿病：患者是否患有糖尿病（标量）
? Tot Chol：总胆固醇水平（连续）
? Sys BP：收缩压（连续）
? Dia BP：舒张压（连续）
? BMI：体重指数（连续）
? 心率：心率（连续 - 在医学研究中，心率等变量虽然实际上是离散的，但由于存在大量可能值而被认为是连续的。）
? 葡萄糖：葡萄糖水平（连续）
预测变量（预期目标）
? 10 年患冠心病 CHD 的风险（二进制：“1”表示“是”，“0”表示“否”）
心脏病预测
# 获取数据
rdaa <- read.csv（路径）# 这边可以考虑增加变量收缩压与舒张压之差、描述收缩压、舒张压与高血压等级的变量
# 看数据结构
str(ata)
# 考虑增加变量bplevel
raw_data <- sqldf
# 对变量类别进行区分
ra_da <- map
str(ra_da )
数据预处理
查看和处理缺失值
# 这里我们使用mice包进行缺失值处理
aggr
matplot
由上图可以看出，除了glucose变量，其它变量的缺失比例都低于5%，而glucose变量缺失率超过了10%。对此的处理策略是保留glucose变量的缺失值，直接删除其它变量的缺失值。 现在处理glucose的缺失值，
# 处理glucose列
lee_a <- subset & !is.na & !is.na & !is.na & !is.na & !is.na
# 查看glce与其它变量的线性相关性确定mice的填充策略
gcog = glm(lcse ~ .)
smry(glseg)
?
填充，排除不重要的变量。至于为什么不选diaBP，主要是后面的相关性分析中，这两个变量会造成多重共线性。
?
mice%in% m=5, "pmm", mai = 50, sd=2333, pint= FALSE)
#查看填充结果
smr(mc_od)
# 查看原始数据和插补后的数据分布情况
epot(mi_md)
sipt(mcod, pch=12)
# 填充数据
mi_t <- complete
fir_aa$loe <- miout$guose
sum(is.na(flda))
删除重复行
# 查看有无重复行并删除重复行
sum(duplicated
comd_ata <- comdta[!duplicated(), ]查看离群点
#查看异常值
gplot(coedta)+geom_boxplot(ae(ftr(1),age))
ggplot(copd_dta)+geom_boxplot(aes(factor(1cigDy))
ggplot(coea)+geom_boxplot(aes(factor(1),ttl))
ggplot(colt_ta)+geom_boxplot(aes(factor(1),syBP))
ggplot(comeaa)+geom_boxplot(aes(factor(1),daP))
ggplot()+gem_boxplot(aes(factor(1),BMI))
# 查看cigsPerDay
cigs_sub <- comled_dta
# 查看totChol，删除异常点
# 查看sysBP, 删除异常点
# 查看BMI
totChol: 总胆固醇水平大于240mg/dl已属于非常高，故删去水平值为600mg/dl的记录。 sysBP: 去掉收缩压为295mg/dl的记录
# 删除各变量离群点
competedata
# 分类型变量列联分析
ggplot+geom_boxplot
ggplot+geom_boxplot(aes,totChol,fill=TenYerCHD))
cometddata %>% fitr %>%
ggplot
由图像知，glucose和hearRate变量有不显着的风险
table1=table
chisq.test
table1
table2=table
chisq.test
table3=table
chisq.test
chisq.test
ggpairs
diaBP和sysBP有多重共线性的问题。?
currentSmoker变量可能不显着，下面进入模型部分。
模型
# 划分数据集
split = sample.split
train = subset
逻辑回归
# 逻辑回归模型 - 使用所有变量
fultaog = glm
summary(fulog)
?
fldaog = glm
summary(fuatLg)
prdts = predict
glm_le <- tableACCU
随机森林
rfoel <- randomForest
# 获得重要性
imprace
# 选择重要的因素
rfmdel <- randomForest
# 误差
plot
# 获取重要性
ggplot +
geom_bar
geom_text
这里有患病风险的误差不降反升，需要探究其中原因
# 绘制分类图像
pred<-predict
pdou_1<-predict #输出概率
table <- table
sum(diag/sum #预测准确率
plot(margin
SVM支持向量机
# 先进行模型调优
tud <- tune.svm
summary(tud )
# 使用turning函数得到最佳参数设置支持向量机
mel.nd <- svm
cost=tuned$
summary(modted)
# 调用predict函数基于刚配置好的SVM模型进行类标号的预测：
sm.ne.ed <- predict
sv.tuedtble <- table
sm.ue.tbe
acy.s.vm <- sum(diag)/sum
模型诊断
根据上面三个模型的结果，可以看出预测结果的类别数量分布非常不均衡
sum
sum(TeYaHD == 0)
针对这一现象，需要采取方法平衡数据集。
最受欢迎的见解
3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现