第六周：RNN心脏病预测

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍦 参考文章地址：🔗深度学习100例-循环神经网络（RNN）心脏病预测 | 第46天
• 🍖 作者：K同学啊

经过测试：
1.能够读取并加载本地数据
2.了解循环神经网络（RNN）的构建过程
3.测试集准确率达到0.87
代码流程：

一、前期准备

1.设置GPU

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
    
gpus

可以通过打印出的来检查是否启用GPU，使用CPU的可以忽略这步

2.导入数据

数据介绍：
● ge：1) 年龄
● sex：2) 性别
● cp：3) 胸痛类型 (4 values)
● trestbps：4) 静息血压
● chol：5) 血清胆甾醇 (mg/dl
● fbs：6) 空腹血糖 > 120 mg/dl
● restecg：7) 静息心电图结果 (值 0,1 ,2)
● thalach：8) 达到的最大心率
● exang：9) 运动诱发的心绞痛
● oldpeak：10) 相对于静止状态，运动引起的ST段压低
● slope：11) 运动峰值 ST 段的斜率
● ca：12) 荧光透视着色的主要血管数量 (0-3)
● thal：13) 0 = 正常；1 = 固定缺陷；2 = 可逆转的缺陷
● target：14) 0 = 心脏病发作的几率较小 1 = 心脏病发作的几率更大

采用pandas进行读取数据：

#导入数据
import pandas as pd
import numpy as np
df = pd.read_csv("C:/Users/sjw/Desktop/data/heart.csv")
df

3.检查数据

# 3检查数据是否有空值
df.isnull().sum()

二、数据预处理

1.划分训练集与测试集

在这里插入代码片

测试集与验证集的关系：

1. 验证集并没有参与训练过程梯度下降过程的，狭义上来讲是没有参与模型的参数训练更新的。
2. 但是广义上来讲，验证集存在的意义确实参与了一个“人工调参”的过程，我们根据每一个epoch训练之后模型在valid data上的表现来决定是否需要训练进行early stop，或者根据这个过程模型的性能变化来调整模型的超参数，如学习率，batch_size等等。
3. 我们也可以认为，验证集也参与了训练，但是并没有使得模型去overfit验证集

# 二，数据集预处理
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

X=df.iloc[:,:-1]# 逗号前面为行，后面为列，前开后闭。取除最后一列数据
y=df.iloc[:,-1]#取最后一列数据
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.1,random_state=1)

print(X_train.shape,y_train.shape)

2.数据标准化

# 将每一列特征标准化为标准正太分布，注意，标准化是针对每一列而言的
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test  = sc.transform(X_test)

X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], 1)
X_test  = X_test.reshape(X_test.shape[0], X_test.shape[1], 1)

三、构建RNN模型

关键参数说明
● units: 正整数，输出空间的维度。
● activation: 要使用的激活函数。 默认：双曲正切（tanh）。 如果传入 None，则不使用激活函数 (即 线性激活：a(x) = x)。
● use_bias: 布尔值，该层是否使用偏置向量。
● kernel_initializer: kernel 权值矩阵的初始化器， 用于输入的线性转换 (详见 initializers)。
● recurrent_initializer: recurrent_kernel 权值矩阵 的初始化器，用于循环层状态的线性转换 (详见 initializers)。
● bias_initializer:偏置向量的初始化器 (详见initializers).
● dropout: 在 0 和 1 之间的浮点数。 单元的丢弃比例，用于输入的线性转换

# 三  构建Rnn模型
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,LSTM,SimpleRNN

model = Sequential()
model.add(SimpleRNN(200, input_shape= (13,1), activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.summary()#打印网络结构如下：

四 编译模型

opt = tf.keras.optimizers.Adam(learning_rate=0.0001)

model.compile(loss='binary_crossentropy',
             optimizer=opt,
              metrics="accuracy")

五 训练模型

epochs =100
history = model.fit(X_train,y_train,
                   epochs=epochs,
                   batch_size = 128,
                   validation_data=(X_test,y_test),
                   verbose=1)

……

6.模型评估

import matplotlib.pyplot as plt

acc = history.history['accuracy']
val_acc =history.history['val_accuracy']

loss = history.history['loss']
val_loss =history.history['val_loss']

epochs_range =range(epochs)

plt.figure(figsize=(14,4))
plt.subplot(1,2,1)

plt.plot(epochs_range,acc,label='Training Accuracy')
plt.plot(epochs_range,val_acc,label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')

plt.subplot(1,2,2)
plt.plot(epochs_range,loss,label='Training Loss')
plt.plot(epochs_range,val_loss,label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.show()

scores = model.evaluate(X_test, y_test, verbose=0)
print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))