Combing the latest Data Mining Event Scheme!

 DatawhaleL'événement 

Auteur：L'élevage des oursons,Huazhong Agricultural University,DatawhaleMembres

Introduction au jeu

IFLYTEK：Défi de dépistage du risque génétique du diabète.Contexte：Jusqu'à2022Année,Patients diabétiques en Chine1.3100 millions.Mode de vie lié au diabète en Chine、Vieillissement、Urbanisation、Influence de nombreux facteurs tels que l'hérédité familiale.En même temps,Les diabétiques ont tendance à être plus jeunes.

Le diabète peut causer des maladies cardiovasculaires、Les reins、Complications cérébrovasculaires.Donc,,Il est très important de diagnostiquer avec précision les personnes diabétiques..La prédiction précoce du risque génétique de diabète aidera à prévenir l'apparition du diabète..

Adresse de l'événement：http://challenge.xfyun.cn/topic/info?type=diabetes&ch=ds22-dw-gzh01

Code source：https://github.com/datawhalechina/competition-baseline

Tâche de course

Dans ce concours,Vous devez construire un modèle de prévision du risque génétique de diabète à partir d'un ensemble de données de formation, Et prédire si une personne dans l'ensemble de données d'essai est diabétique , Aidez les diabétiques à résoudre ce problème. “Doux soucis”.

Données du jeu

Les données du jeu se composent d'un ensemble de formation et d'un ensemble d'essais. ,Les détails sont les suivants：

• Jeux d'entraînement：Total5070Données, Utilisé pour construire votre modèle de prévision

• Test Set：Total1000Données, Utilisé pour valider le rendement du modèle de prévision .

Où le paquet de formation contient 9Champs：Sexe、Année de naissance、Indice de masse corporelle、 Antécédents familiaux de diabète 、Pression diastolique、 Test de tolérance orale au glucose 、 Test de libération d’insuline 、Épaisseur du pli cutané du triceps brachial、 Signes de diabète （Étiquette des données）.

Critères de notation

En utilisant deux tâches de classification F1-score Indicateurs pour l'évaluation ,F1-score Plus le modèle de prévision est grand, plus le rendement est élevé. ,F1-scoreEst défini comme suit:：

Parmi eux：

Question de matchBaseline

Importer des données

import pandas as pd
import lightgbm

Prétraitement des données

data1=pd.read_csv(' Jeux d'entraînement .csv',encoding='gbk')
data2=pd.read_csv(' Jeu de tests de compétition .csv',encoding='gbk')
#labelMarqué comme-1
data2[' Signes de diabète ']=-1
# Combinaison de l'ensemble de formation et de la machine d'essai 
data=pd.concat([data1,data2],axis=0,ignore_index=True)

#Ingénierie des caractéristiques
"""
 Les valeurs normales de l'indice de masse corporelle des adultes chez l'homme sont les suivantes: 18.5-24Entre
Inférieur à18.5 C'est une insuffisance pondérale. 
In24-27 Il y a un surpoids. 
27 C'est l'obésité. 
Supérieur à32 C'est très gros. .
"""
def BMI(a):
    if a<18.5:
        return 0
    elif 18.5<=a<=24:
        return 1
    elif 24<a<=27:
        return 2
    elif 27<a<=32:
        return 3
    else:
        return 4
    
data['BMI']=data['Indice de masse corporelle'].apply(BMI)
data['Année de naissance']=2022-data['Année de naissance']  # Changer d'âge 
# Antécédents familiaux de diabète 
"""
Aucun enregistrement
 Un oncle ou une tante est diabétique. / Un oncle ou une tante est diabétique. 
 Un parent est diabétique. 
"""
def FHOD(a):
    if a=='Aucun enregistrement':
        return 0
    elif a==' Un oncle ou une tante est diabétique. ' or a==' Un oncle ou une tante est diabétique. ':
        return 1
    else:
        return 2
    
data[' Antécédents familiaux de diabète ']=data[' Antécédents familiaux de diabète '].apply(FHOD)
data['Pression diastolique']=data['Pression diastolique'].fillna(-1)
"""
 La plage de pression diastolique est 60-90
"""
def DBP(a):
    if a<60:
        return 0
    elif 60<=a<=90:
        return 1
    elif a>90:
        return 2
    else:
        return a
data['DBP']=data['Pression diastolique'].apply(DBP)
data

Données sur la formation/Préparation des données d'essai

train=data[data[' Signes de diabète '] !=-1]
test=data[data[' Signes de diabète '] ==-1]
train_label=train[' Signes de diabète ']
train=train.drop(['No.',' Signes de diabète '],axis=1)
test=test.drop(['No.',' Signes de diabète '],axis=1)

Construire un modèle

def select_by_lgb(train_data,train_label,test_data,random_state=2022,metric='auc',num_round=300):
    clf=lightgbm
    train_matrix=clf.Dataset(train_data,label=train_label)

    params={
            'boosting_type': 'gbdt',  
            'objective': 'binary',
            'learning_rate': 0.1,
            'metric': metric,
            'seed': 2020,
            'nthread':-1 }
    model=clf.train(params,train_matrix,num_round)
    pre_y=model.predict(test_data)
    return pre_y

Validation du modèle

test_data=select_by_lgb(train,train_label,test)
pre_y=pd.DataFrame(test_data)
pre_y['label']=pre_y[0].apply(lambda x:1 if x>0.5 else 0)
result=pd.read_csv('Exemple de soumission.csv')
result['label']=pre_y['label']
result.to_csv('baseline.csv',index=False)

Recommandation précédente

La partie modèle de ce sujet utilise une approche assez simple ,lightgbm Aucune Validation croisée des données n'est effectuée dans l'algorithme , Seuls les paramètres par défaut sont utilisés , Pour que les joueurs puissent Baseline Sur la base de Optimisation des paramètres Fusion de modèles , En même temps, il est noté qu'une partie de la construction de l'ingénierie des caractéristiques dans l'algorithme divulgué est démontrée. , Les candidats peuvent effectuer des tests en fonction des caractéristiques médicales du diabète. Poursuite de l'exploitation des caractéristiques , Pour améliorer les performances ~

AttentionDatawhaleNuméro public,Réponse“Extraction de données” Peut être invité au Groupe d'échange d'événements d'exploration de données , Ne vous joignez plus. .

Difficile à organiser,PointOui.Trois compagnies↓