外国的免费网站网站,使用门户网站网络推广方法,广告赚钱,网站建设规划任务书温馨提示#xff1a;文末有 CSDN 平台官方提供的学长 Wechat / QQ 名片 :) 1. 项目简介 重症患者或重大手术后的患者在重症监护室#xff08;ICU#xff09;内通过多种生命支持系统以维持生理功能。患者在ICU 内会被频繁持续的记录生命体征和实验室测量等多种数据。由于高频… 温馨提示文末有 CSDN 平台官方提供的学长 Wechat / QQ 名片 :) 1. 项目简介 重症患者或重大手术后的患者在重症监护室ICU内通过多种生命支持系统以维持生理功能。患者在ICU 内会被频繁持续的记录生命体征和实验室测量等多种数据。由于高频次的数据采集数十年来ICU 内已经形成了一个巨大的临床医疗数据信息库这俨然是一种重要的、可被利用的医疗资源。 本系统通过构建决策树机器学习算法可根据ICU中脑血管疾病患者的实时17项生理参数的输入来实时预测患者的死亡风险预测结果为0代表无风险结果为1代表有风险。利用Pandas、Numpy、Matplotlib 和 Seaborn 等工具包对脑血管数据进行多维度的可视化分析。最后利用 Flask Bootstrap Echarts 框架搭建 Web 系统通过上传最新 ICU脑血管监测数据实时预测患者的死亡风险。
2. 数据探索式分析
2.1 数据缺失值分析
def contains_null(dataframe):数据缺失值分析missing_df dataframe.isnull().sum(axis0).reset_index()missing_df.columns [column_name, missing_count]missing_df[missing_rate] 1.0 * missing_df[missing_count] / dataframe.shape[0]missing_df missing_df[missing_df.missing_count 0]missing_df missing_df.sort_values(bymissing_count, ascendingFalse)return missing_df 可以看出原始数据集存在大量的缺失将缺失率超过 80% 的特征进行剔除。剩下的数值类型的缺失值利用相应特征的平均值进行填充。
2.2 模型训练数据集构造 通过对原始数据集进行标签化处理构造机器学习模型训练所需要的训练集
from tqdm import tqdmdef create_dataset(df, is_testFalse):train_x []train_y []for i, row in tqdm(df.iterrows(), totaldf.shape[0]):f row[stay]if is_test:data pd.read_csv(./data/test/ f)else:data pd.read_csv(./data/train/ f)# 数据预处理data data.drop([Capillary refill rate, Height, Fraction inspired oxygen, Weight, pH,Glucose, Temperature, Glascow coma scale total, Glascow coma scale verbal response,Glascow coma scale eye opening], axis1)# 删除类别类型的特征del data[Glascow coma scale motor response]# 缺失值填充col_mean dict(data.mean())for key in data.columns:data[key].fillna(col_mean[key], inplaceTrue)# 特征工程核心函数features feature_engineering(data)train_x.append(features)train_y.append(row[y_true])# 创建 dataframe 表格train_x ......return train_x, train_y2.3 训练集、验证集和测试集的标签分布
plt.figure(figsize(20, 5))
plt.subplot(131)
sns.countplot(train_x[label])
plt.title(训练集ICU脑血管疾病死亡风险分布, fontsize16, weightbold)plt.subplot(132)
sns.countplot(valid_x[label])
plt.title(验证集ICU脑血管疾病死亡风险分布, fontsize16, weightbold)plt.subplot(133)
sns.countplot(test_x[label])
plt.title(测试集ICU脑血管疾病死亡风险分布, fontsize16, weightbold)
plt.show() 2.4 Xgboost 决策树模型构建与训练 ICU 脑血管疾病死亡风险预测为典型的二分类问题以此目标函数选择 binary:logistic验证指标选择 AUC 指标
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import auc, roc_curve
from sklearn.metrics import accuracy_score, precision_score, recall_scoredef evaluate_score(predict, y_true):false_positive_rate, true_positive_rate, thresholds roc_curve(y_true, predict, pos_label1)auc_score auc(false_positive_rate, true_positive_rate)return auc_scoredtrain xgb.DMatrix(train_x, train_y, feature_namesfeature_names)
dvalid xgb.DMatrix(valid_x, valid_y, feature_namesfeature_names)
dtest xgb.DMatrix(test_x, test_y, feature_namesfeature_names)watchlist [(dtrain, train), (dvalid, valid)]xgb_params {eta: 0.05,colsample_bytree: 0.1,max_depth: 6,subsample: 0.1,lambda: 1,scale_pos_weight: 1,eval_metric: auc,objective: binary:logistic,nthread: -1,silent: 1,booster: gbtree
}
model xgb.train(dict(xgb_params),dtrain,evalswatchlist,verbose_eval1,early_stopping_rounds10,num_boost_round5) 模型训练日志如下
[0] train-auc:0.785276 valid-auc:0.785276
Multiple eval metrics have been passed: valid-auc will be used for early stopping.Will train until valid-auc hasnt improved in 10 rounds.
[1] train-auc:0.848569 valid-auc:0.848569
[2] train-auc:0.897501 valid-auc:0.897501
[3] train-auc:0.898473 valid-auc:0.898473
[4] train-auc:0.903983 valid-auc:0.903983 模型训练完成后可以看出训练集和验证集的 AUC 指标可以达到 90% 以上可以有效预测脑血管疾病的死亡风险。其特征的重要程度分布如下 2.5 模型预测的 ROC 曲线
from sklearn.metrics import auc, roc_curvefpr, tpr, _ roc_curve(valid_y, predict_valid)
roc_auc auc(fpr, tpr)plt.figure(figsize(10,10))
plt.plot(fpr, tpr, colordarkorange,lw2, labelROC curve (area %0.2f) % roc_auc)
plt.plot([0, 1], [0, 1], colornavy, lw2, linestyle--)
plt.xlim([-0.02, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel(False Positive Rate)
plt.ylabel(True Positive Rate)
plt.title(ROC curve)
plt.legend(loclower right)
plt.show() 可以看出构建的机器学习模型具备很好的预测性能可以根据用户的历史 Diastolic blood pressure Heart Rate Mean blood pressure Oxygen saturation Respiratory rate Systolic blood pressure 特征实现脑血管死亡风险预警 3. ICU 脑血管疾病死亡风险智能预测系统 本课题利用 Flask Bootstrap Echarts 框架搭建 Web 系统通过上传最新 ICU脑血管监测数据绘制主要特征的时序变化情况、模型的性能表现并实时预测患者的死亡风险的概率值。 欢迎大家点赞、收藏、关注、评论啦 由于篇幅有限只展示了部分核心代码。 技术交流认准下方 CSDN 官方提供的学长 Wechat / QQ 名片 :) 精彩专栏推荐订阅 1. Python 毕设精品实战案例2. 自然语言处理 NLP 精品实战案例3. 计算机视觉 CV 精品实战案例
