ML之Classification：以六类机器学习算法(kNN、逻辑回归、SVM、决策树、随机森林、提升树、神经网络)对糖尿病数据集(8→1)实现二分类预测案例来理解和认知机器学习分类预测的模板流程
 

 

 

目录

六类机器学习算法(kNN、逻辑回归、SVM、决策树、随机森林、提升树、神经网络)对糖尿病数据集(8→1)实现二分类预测

数据集理解

1、kNN

2、逻辑回归

3、SVM

4、决策树

5、随机森林

6、提升树

7、神经网络

 

 

相关文章
ML之Classification：以六类机器学习算法(kNN、逻辑回归、SVM、决策树、随机森林、提升树、神经网络)对糖尿病数据集(8→1)实现二分类预测案例来理解和认知机器学习分类预测的模板流程
ML之Classification：以六类机器学习算法(kNN、逻辑回归、SVM、决策树、随机森林、提升树、神经网络)对糖尿病数据集(8→1)实现二分类预测案例来理解和认知机器学习分类预测全部

六类机器学习算法(kNN、逻辑回归、SVM、决策树、随机森林、提升树、神经网络)对糖尿病数据集(8→1)实现二分类预测

数据集理解

[code]data.shape:  (768, 9)
data.columns：
Index(['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin',
'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome'],
dtype='object')
data.head：
Pregnancies  Glucose  BloodPressure  ...  DiabetesPedigreeFunction  Age  Outcome
0            6      148             72  ...                     0.627   50        1
1            1       85             66  ...                     0.351   31        0
2            8      183             64  ...                     0.672   32        1
3            1       89             66  ...                     0.167   21        0
4            0      137             40  ...                     2.288   33        1

[5 rows x 9 columns]
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 768 entries, 0 to 767
Data columns (total 9 columns):
#   Column                    Non-Null Count  Dtype
---  ------                    --------------  -----
0   Pregnancies               768 non-null    int64
1   Glucose                   768 non-null    int64
2   BloodPressure             768 non-null    int64
3   SkinThickness             768 non-null    int64
4   Insulin                   768 non-null    int64
5   BMI                       768 non-null    float64
6   DiabetesPedigreeFunction  768 non-null    float64
7   Age                       768 non-null    int64
8   Outcome                   768 non-null    int64
dtypes: float64(2), int64(7)
memory usage: 54.1 KB
data.info：
None
8
data_column_X:  ['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DiabetesPedigreeFunction', 'Age']
['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI', 'DiabetesPedigreeFunction', 'Age']

 

1、kNN

[code]kNNC(n_neighbors=9)：Training set accuracy: 0.792
kNNC(n_neighbors=9)：Test set accuracy: 0.776

 

 

2、逻辑回归

[code]LoR(c_regular=1)：Training set accuracy: 0.785
LoR(c_regular=1)：Test set accuracy: 0.771

 

 

 

3、SVM

[code]SVMC_Init：Training set accuracy: 0.769
SVMC_Init：Test set accuracy: 0.755
SVMC_Best(max_dept=1,learning_rate=0.1)：Training set accuracy: 0.788
SVMC_Best(max_dept=1,learning_rate=0.1)：Test set accuracy: 0.781
DTC(max_dept=3)：Training set accuracy: 0.773
DTC(max_dept=3)：Test set accuracy: 0.740

 

4、决策树

[code]DTC(max_dept=3)：Training set accuracy: 0.773
DTC(max_dept=3)：Test set accuracy: 0.740

 

5、随机森林

[code]RFC_Best：Training set accuracy: 0.764
RFC_Best：Test set accuracy: 0.750

 

6、提升树

[code]GBC(max_dept=1,learning_rate=0.1)：Training set accuracy: 0.804
GBC(max_dept=1,learning_rate=0.1)：Test set accuracy: 0.781

 

7、神经网络

[code]MLPC_Init：Training set accuracy: 0.743
MLPC_Init：Test set accuracy: 0.672