基于机器学习的肝病患者智能诊断及系统实现

1. 数据集简介

        印度肝病患者数据集（Indian Liver Patient Dataset）包含416名肝病患者记录和167名非肝病患者记录。数据集是从印度安德拉·普拉德什东北部收集的。标签列label用于区分患肝病和不患肝病。此数据集包含441名男性患者记录和142名女病人记录。以下为数据集各列所代表的具体含义：

原始数据获取地址：https://www.heywhale.com/mw/dataset/5d9ff8a6037db3002d417c8e 

 数据展示如下：

 2.数据预处理

1.为了在建模时方便引入进行处理，我们对Gender进行数字编码。

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
# 数字编码
data["Gender"] = le.fit_transform(data["Gender"])
data.head()

编码后，女性(Female)被编码为0，男性(Male)被编码为1。

2.缺失值填补：在导入数据并对数据信息查看之后可以发现，A/G Ratio存在缺失值，我们需要对其进行填补。在这里我们采用均值填补的方法进行填充。

from sklearn.impute import SimpleImputer
imp = SimpleImputer(strategy="mean")
data["A/G Ratio"] = imp.fit_transform(data["A/G Ratio"].to_frame())
data["A/G Ratio"].isnull().sum()

3.标签列转换在进行处理时，LogisticRegression的标签列需要为或者为，但是本数据集的标签列label的值为，所以我们需要先进行转化。

data['label_cal'] = 2 - data['label']
data = data.drop(labels='label', axis=1)

3.模型构建

模型定义如下：

• Dense是一个全连接层，表示在两个网络层中任意一堆神经元都存在连接关系。输入层有16个神经元，其输入通过ReLU(非线性)激活函数传递。
• 最后的Dense层包含一个sigmod激活函数，该函数为每一个可能的输出分配概率。

classifier = Sequential() # Initialising the ANN
classifier.add(Dense(units = 16, kernel_initializer = 'uniform', activation = 'relu', input_dim = 11))
classifier.add(Dense(units = 8, kernel_initializer = 'uniform', activation = 'relu'))
classifier.add(Dense(units = 6, kernel_initializer = 'uniform', activation = 'relu'))
classifier.add(Dense(units = 1, kernel_initializer = 'uniform', activation = 'sigmoid'))
# compile ANN
classifier.compile(optimizer = 'rmsprop', loss = 'binary_crossentropy', metrics = ['accuracy'])

 4.应用实现

基于flask实现一个预测界面：

 完整代码下载链接：

https://download.csdn.net/download/weixin_40651515/87546355