pima 인디언들이 50년대 이후로 당뇨병 발생률이 50%가 넘었다고 한다. 그렇기에 머신러닝을 통해 무엇이 가장 큰 문제였는지 알아보려고 한다.

---

데이터

pima 인디언에 대한 데이터는 kaggle에도 있으며 나는 PinkWink github에서 데이터를 따왔다.

import pandas as pd
pima_url = 'https://raw.githubusercontent.com/PinkWink/ML_tutorial/master/dataset/diabetes.csv'
pima = pd.read_csv(pima_url)
pima.head()

pima 데이터 정보확인

pina.info()를 활용한다.

정수 int형 데이터를 실수형 float형태로 변환해준다..

pima =pima.astype('float')

히트맵으로 요인알아보기

import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline

plt.figure(figsize=(12,10))
sns.heatmap(pima.corr(),cmap = 'YlGnBu')
plt.show()

데이터를 확인해보면 혈압이 0인 데이터가 있다. 이건 문제가 된다.

(pima==0).astype(int).sum()

왜 이렇게 나올까?
: 방법이 없기에 의학적 지식과 pima인디언에 대한 정보가 없으므로 일단 평균값으로 대체해준다.!

zero_features = ['Glucose','BloodPressure','SkinThickness','BMI']
pima[zero_features]=pima[zero_features].replace(0, pima[zero_features].mean())
(pima ==0).astype(int).sum()

머신러닝 구현하기 위한 사전 단계

x = pima.drop(['Outcome'],axis =1)
y = pima['Outcome']

x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2,
                                                 stratify= y,
                                                 random_state=13
)

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

estimators = [('scaler', StandardScaler()),
              ('clf',LogisticRegression(solver='liblinear',random_state=13))]


pipe_lr = Pipeline(estimators)
pipe_lr.fit(x_train,y_train)
pred = pipe_lr.predict(x_test)

이를 통해 accuracy,recall,precision,acu score,f1 score의 각각의 수치를 확인해보자.

from sklearn.metrics import accuracy_score,recall_score,precision_score,roc_auc_score,f1_score

그러기 위해서는 각 코드를 import로 불러 사용할 수 있게끔 만든다.

print('accuracy :',accuracy_score(y_test,pred))
print('recall :',recall_score(y_test,pred))
print('precision :',precision_score(y_test,pred))
print('acu score :',roc_auc_score(y_test,pred))
print('f1 score :',f1_score(y_test,pred))

생각보다 높은 값이 나왔다.

다변수 방정식의 각 계수 값을 확인해보자.

coef = list(pipe_lr['clf'].coef_[0])
labels = list(x_train.columns)

labels를 확인해보면
['Pregnancies',
'Glucose',
'BloodPressure',
'SkinThickness',
'Insulin',
'BMI',
'DiabetesPedigreeFunction',
'Age']
확인할 수 있다.

데이터프레임으로 쉽게 알아보도록 만들기.

features = pd.DataFrame(
   {'Features': labels,'importance':coef}
)
features.sort_values(by=['importance'], ascending=True, inplace=True)

features['positive'] = features['importance']>0
features

필요한 정보를 얻었으니 무엇이 가장 높은 요인이였는지 살펴보자.

features.set_index('Features', inplace=True)

features['importance'].plot(kind='barh',figsize=(11,6),color =features['positive'].map({True:'blue', False:'red'}))
plt.xlabel('importance')
plt.show()

가장 높은 요인은 Glucose인 것을 확인할 수 있었다.