当前位置：首页 > news >正文

从数据到诊断：朴素贝叶斯算法助力肿瘤预测之路

news 来源：原创 2025/5/10 9:29:31

1.案例概述

肿瘤性质的判断影响着患者的治疗方式和痊愈速度。传统的做法是医生根据数十个指标来判断肿瘤的性质，预测效果依赖于医生的个人经验而且效率较低，而通过机器学习有望能快速预测肿瘤的性质。

2.数据集

本次肿瘤预测使用的数据集共有569组样本。其中，良性肿瘤211例、恶性肿瘤358例。数据集中变量的详细描述如下表所示，表格中的“肿瘤性质”列为目标变量，剩下的字段为特征变量，目前只选取了6个特征变量，在医疗行业中实际用于判断肿瘤性质的特征变量要多得多。

本案例的目的是根据这些数据搭建朴素贝叶斯模型，帮助医生提高判断效率，从而及早展开治疗。

3.分析过程

（1）数据读取

import pandas as pd
df = pd.read_excel('肿瘤数据.xlsx')
df.head()

（2）提取特征变量和目标变量

X = df.drop(columns='肿瘤性质') 
y = df['肿瘤性质']

①这里将数据划分为特征变量X和目标变量y。对于特征变量X，通过 df.drop(columns='肿瘤性质') 操作，从原始的DataFrame（即 df）中删除名为肿瘤性质的列，剩余的列作为特征变量组成新的 DataFrame并赋值给X。

②而目标变量y则是通过df['肿瘤性质']提取出DataFrame中名为肿瘤性质的这一列数据，通常这列数据代表着我们想要预测或者分析的目标结果（比如在分类任务中可能是肿瘤是良性还是恶性这样的分类标签）。

（3）划分训练集和测试集

提取完特征变量和目标变量后，将数据划分为训练集和测试集，代码如下：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y,random_state=1)

首先导入了 train_test_split 函数，该函数用于将数据集拆分为训练集和测试集，并指定了几个关键参数。

①test_size=0.2：表示将数据集按照20%的比例划分出测试集，也就是说，80%的数据会被划分到训练集中，这是一个比较常见的划分比例设定，不过具体比例可以根据数据量大小、模型复杂度等实际情况进行调整。

②stratify=y：这个参数用于分层抽样，保证划分后的训练集和测试集中目标变量（这里是y，肿瘤性质的各类别）的比例与原始数据集中目标变量的比例大致相同，在处理分类问题且各类别样本数量不均衡时，这个参数非常重要，可以避免测试集或训练集中某一类样本过多或过少，从而提升模型的泛化能力和评估的准确性。

③random_state=1：设置随机种子为1，这样每次运行代码时，只要random_state参数不变，划分得到的训练集和测试集的结果就是固定的、可重现的，方便后续调试代码以及对比不同模型在相同数据集划分下的表现。

函数执行后，返回了四个变量，分别是X_train（训练集的特征部分）、X_test（测试集的特征部分）、y_train（训练集的目标变量部分）、y_test （测试集的目标变量部分）。
（4）模型构建

划分好训练集和测试集之后，可以从Scikit-Learn库中引入K近邻算法进行模型训练，代码如下：

from sklearn.naive_bayes import GaussianNB
nb_model = GaussianNB()  # 高斯朴素贝叶斯模型
nb_model.fit(X_train,y_train)

首先导入了GaussianNB类。GaussianNB代表的是高斯朴素贝叶斯分类器，它基于贝叶斯定理，假设特征之间相互独立且符合高斯分布（正态分布），常用于处理具有连续特征的分类问题。
然后使用nb_model=GaussianNB()创建了一个GaussianNB类的实例对象nb_model，这个对象就是后续用来进行模型训练以及预测等操作的主体。

调用了nb_model对象的fit方法，将前面划分好的训练集特征数据 X_train和对应的训练集目标变量数据y_train作为参数传入。对于高斯朴素贝叶斯模型，它会基于训练数据估计出每个类别下各个特征的均值和方差等参数，这些参数后续会用于计算概率，进而对新的数据进行分类预测。

（5）模型评估与预测

通过如下代码即可对测试集数据进行预测，预测肿瘤的性质。

# 使用训练好的高斯朴素贝叶斯模型对测试集进行预测，得到预测结果
y_pred = nb_model.predict(X_test)
# 打印输出预测结果中的前100个元素，方便直观查看部分预测情况
print(y_pred[0:100])# 注意：此处对预测结果求和在常规分类任务评估中不太符合逻辑，一般分类标签是离散值，求和意义不大
# 除非类别标签有特殊业务含义且可求和，这里仅是按代码执行逻辑进行计算，暂保留该行
sum(y_pred)  # 从sklearn的metrics模块中导入accuracy_score函数，用于计算分类模型的准确率
from sklearn.metrics import accuracy_score  
# 使用accuracy_score函数计算模型在测试集上的准确率，传入预测结果和真实的测试集目标变量
score = accuracy_score(y_pred, y_test)  
# 打印输出准确率，准确率表示预测正确的样本数占总样本数的比例，范围在0到1之间，越高越好
print(score)  # 从sklearn的metrics模块中导入classification_report函数，用于生成详细的分类报告
from sklearn.metrics import classification_report  
# 使用classification_report函数生成分类报告，传入真实的测试集目标变量和预测结果
# 分类报告包含每个类别（若为多分类）的精确率、召回率、F1值以及支持度等信息，能更细致地评估模型性能
print(classification_report(y_test, y_pred))  # 从sklearn的metrics模块中导入confusion_matrix函数，用于构建混淆矩阵
from sklearn.metrics import confusion_matrix  
# 使用confusion_matrix函数构建混淆矩阵，传入真实的测试集目标变量和预测结果
# 混淆矩阵可直观展示实际类别与预测类别之间的对应情况，分析模型的分类错误模式
m = confusion_matrix(y_test, y_pred)

将score打印输出，结果为0.9824，也就是说，模型对整个测试集的预测准确度为0.9824，对于分类模型，不仅要关心整体的预测准确度，也要关心模型在每一类样本里面的表现，可以看到，对于恶性肿瘤的预测，模型的 precision（精准率）=0.99和recall（命中率）=0.99都比较高，因此，模型对于预测肿瘤性质的效果还不错。

相关文章：