基于飞桨的简单神经网络搭建—以心脏病的预测为例
本文以心脏病预测为例，介绍基于飞桨搭建简单神经网络的过程。先说明项目背景与数据集，含年龄、性别等特征及是否发病标签。接着处理数据，包括检查缺失值、统计量、相关性，进行独热编码和归一化。随后搭建神经网络，设置超参数，经6轮训练，训练集正确率0.845，测试集0.84，最后展示预测结果，为深度学习入门者提供参考。
基于飞桨的简单神经网络搭建-以心脏病的预测为例
一、项目背景介绍
随着对机器学习的学习，对更进一步的深度学习产生了浓厚的兴趣，并尝试使用了一些开发套件进行深度学习的尝试，但由于使用的是现成的套件，对神经网络的原理以及过程并不能详细的了解。为了更进一步的学习，笔者尝试手动搭建一个简单的神经网络并训练使用。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
二、数据集介绍
本文以心脏病发展分析和预测数据集为例，搭建神经网络对心脏病的发作进行预测。
数据集来源：数据集链接；特征含义:age 年龄sex 性别 1=male,0=femalecp 胸痛类型(4种) 值1:典型心绞痛，值2:非典型心绞痛，值3:非心绞痛，值4:无症状trbps 静息血压（毫米汞柱）chol 通过 BMI 传感器获取的以 mg/dl 为单位的胆甾醇fbs （空腹血糖 > 120 mg/dl）（1 = 真；0 = 假）restecg 静息心电图结果 值0：正常 值1：ST-T 波异常（T 波倒置和/或 ST 段抬高或压低 > 0.05 mV）值2：根据埃斯蒂斯标准显示可能或明确的左心室肥厚thalach 达到的最大心率exng 运动诱发的心绞痛(1=yes;0=no)oldpeak 相对于休息的运动引起的ST值(ST值与心电图上的位置有关)slp 运动高峰ST段的坡度 Value 1: upsloping向上倾斜, Value 2: flat持平, Value 3: downsloping向下倾斜caa 主血管数量 (0-3)thall 一种叫做地中海贫血的血液疾病(3 =正常;6 =固定缺陷;7 =可逆转缺陷)output 是否会发作(0=no,1=yes)'''数据集展示In [1]
#解压数据集至work文件夹!unzip '/home/aistudio/data/data99207/心脏病发作分析和预测数据集.zip' -d work/ -yimport pandas as pddata = pd.read_csv('./work/heart.csv')#数据展现data.head()登录后复制 Archive: /home/aistudio/data/data99207/心脏病发作分析和预测数据集.zipcaution: filename not matched: -y登录后复制
age sex cp trtbps chol fbs restecg thalachh exng oldpeak slp \0 63 1 3 145 233 1 0 150 0 2.3 0 1 37 1 2 130 250 0 1 187 0 3.5 0 2 41 0 1 130 204 0 0 172 0 1.4 2 3 56 1 1 120 236 0 1 178 0 0.8 2 4 57 0 0 120 354 0 1 163 1 0.6 2 caa thall output 0 0 1 1 1 0 2 1 2 0 2 1 3 0 2 1 4 0 2 1登录后复制
三、模型介绍
本文旨在学习手写搭建神经网络的完整过程，所以仅使用了一个简单的神经网络，当需要使用更为复杂的网络时，仅需对网络的定义进行调整。
这里简单介绍一下神经网络的原理，神经网络由众多神经元构成。它可以接受来自其他神经元的输入或者是外部的数据，然后计算一个输出。神经元的计算过程如图所示：
当众多神经元排列连接，构成了神经网络中的层，层与层相互连接构成了最为简单的神经网络，如图所示：
当然只有前向的传播计算是不够的，各个神经元之间需要用损失函数来计算训练结果与实际的误差，再通过优化器（即各种梯度下降的方法）来更新权值，这就是反向传播的过程。这个过程会不断的重复，直到误差低于我们设定好的要求。这时一整个神经网络的计算就完成了。 下图展示了一个MLP的反向传播的过程：
四、 数据处理
在训练各种模型时，对数据的处理与探索是非常重要的一环，直接影响的模型的训练速度和精度，所以笔者单独列出对数据的处理过程进行展示
数据集缺失情况检查我们实际应用的数据常常会碰到缺失与异常的情况，所以对数据集进行缺失与异常的检查并进一步处理是必要的。
本文由于数据是完整的，并没有展示对缺失值与异常值处理的过程
import numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport paddle#数据缺失值检查print(data.isnull().sum())登录后复制
age 0sex 0cp 0trtbps 0chol 0fbs 0restecg 0thalachh 0exng 0oldpeak 0slp 0caa 0thall 0output 0dtype: int64登录后复制 数据统计量概览
在完成数据的完整性检查后，我们还需要对数据有一个初步的了解，本文只选择了数据的统计量进行简单的查看。
In [3]#数据统计量展现data.describe()登录后复制
age sex cp trtbps chol fbs \count 303.000000 303.000000 303.000000 303.000000 303.000000 303.000000 mean 54.366337 0.683168 0.966997 131.623762 246.264026 0.148515 std 9.082101 0.466011 1.032052 17.538143 51.830751 0.356198 min 29.000000 0.000000 0.000000 94.000000 126.000000 0.000000 25% 47.500000 0.000000 0.000000 120.000000 211.000000 0.000000 50% 55.000000 1.000000 1.000000 130.000000 240.000000 0.000000 75% 61.000000 1.000000 2.000000 140.000000 274.500000 0.000000 max 77.000000 1.000000 3.000000 200.000000 564.000000 1.000000 restecg thalachh exng oldpeak slp caa \count 303.000000 303.000000 303.000000 303.000000 303.000000 303.000000 mean 0.528053 149.646865 0.326733 1.039604 1.399340 0.729373 std 0.525860 22.905161 0.469794 1.161075 0.616226 1.022606 min 0.000000 71.000000 0.000000 0.000000 0.000000 0.000000 25% 0.000000 133.500000 0.000000 0.000000 1.000000 0.000000 50% 1.000000 153.000000 0.000000 0.800000 1.000000 0.000000 75% 1.000000 166.000000 1.000000 1.600000 2.000000 1.000000 max 2.000000 202.000000 1.000000 6.200000 2.000000 4.000000 thall output count 303.000000 303.000000 mean 2.313531 0.544554 std 0.612277 0.498835 min 0.000000 0.000000 25% 2.000000 0.000000 50% 2.000000 1.000000 75% 3.000000 1.000000 max 3.000000 1.000000登录后复制 数据相关性检查
对数据进行相关性检查，能让我们初步了解数据集各个特征间的关系，这会对我们选择神经网络的结构有所帮助In [4]
#相关性热图，以初步查看自变量对结果的影响程度plt.figure(figsize=(10,10))sns.heatmap(data.corr(),annot=True,fmt='.1f')plt.show()登录后复制
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working if isinstance(obj, collections.Iterator):/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working return list(data) if isinstance(data, collections.MappingView) else data/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:101: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead ret = np.asscalar(ex)登录后复制
登录后复制 数据结构处理
在对数据有进一步的了解之后，我们需要对数据的结构进行处理，以方便其对神经网络进行输入，并且需要根据实际的需求，对数据进行增广、压缩、增强等操作，目的是为了模型更为高效。
In [5]#由于cp,restecg,slp,thall是非顺序型的多分类变量，需进行进行独热编码a = pd.get_dummies(data['cp'], prefix = "cp")b = pd.get_dummies(data['restecg'], prefix = "restecg")c = pd.get_dummies(data['slp'], prefix = "slope")d = pd.get_dummies(data['thall'], prefix = "thall")data = pd.concat([data,a,b,c,d], axis = 1)data = data.drop(columns = ['cp','restecg','slp', 'thall'])data.head()登录后复制
age sex trtbps chol fbs thalachh exng oldpeak caa output ... \0 63 1 145 233 1 150 0 2.3 0 1 ... 1 37 1 130 250 0 187 0 3.5 0 1 ... 2 41 0 130 204 0 172 0 1.4 0 1 ... 3 56 1 120 236 0 178 0 0.8 0 1 ... 4 57 0 120 354 0 163 1 0.6 0 1 ... restecg_0 restecg_1 restecg_2 slope_0 slope_1 slope_2 thall_0 \0 1 0 0 1 0 0 0 1 0 1 0 1 0 0 0 2 1 0 0 0 0 1 0 3 0 1 0 0 0 1 0 4 0 1 0 0 0 1 0 thall_1 thall_2 thall_3 0 1 0 0 1 0 1 0 2 0 1 0 3 0 1 0 4 0 1 0 [5 rows x 24 columns]登录后复制 In [6]
#最后对数据集进行划分，并归一化，完成数据预处理from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerX = data.drop(['output'], axis = 1)#删除['outout']特征y = data.output.valuesX_train,X_test,y_train,y_test = train_test_split(X,y,random_state=6) #随机种子6，划分训练集与测试集standardScaler = StandardScaler()standardScaler.fit(X_train)X_train = standardScaler.transform(X_train)X_test = standardScaler.transform(X_test)#对训练集与测试集归一化，使模型能更好的收敛y_train=y_train.reshape(y_train.shape[0],1)y_test=y_test.reshape(y_test.shape[0],1)#由于在计算模型的评价指标时（x,）的数据会报错，所以需要进行转换登录后复制
五、模型训练
In [7]#定义网络class Net(paddle.nn.Layer): def __init__(self): super(Net,self).__init__() self.fc1 = paddle.nn.Linear(in_features=23,out_features=100) self.fc2 = paddle.nn.Linear(in_features=100,out_features=100) self.fc3 = paddle.nn.Linear(in_features=100,out_features=2)#输出向量的维度需要根据分类结果进行选择 def forward(self,x): x=self.fc1(x) x=self.fc2(x) x=self.fc3(x) return xnet=Net()登录后复制
W0223 00:07:17.249727 4104 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1W0223 00:07:17.254323 4104 device_context.cc:465] device: 0, cuDNN Version: 7.6.登录后复制 In [26]
#超参数设置# 设置迭代次数epochs = 6#损失函数：交叉熵loss_func = paddle.nn.CrossEntropyLoss()#优化器opt = paddle.optimizer.Adam(learning_rate=0.1,parameters=net.parameters())登录后复制 In [29]
#训练程序for epoch in range(epochs): all_acc = 0 for i in range(X_train.shape[0]): x = paddle.to_tensor([X_train[i]],dtype="float32") y = paddle.to_tensor([y_train[i]],dtype="int64") infer_y = net(x) loss = loss_func(infer_y,y) loss.backward() acc= paddle.metric.accuracy(infer_y,y) all_acc=all_acc+acc.numpy() opt.step() opt.clear_gradients#清除梯度 #print("epoch: {}, loss is: {},acc is:{}".format(epoch, loss.numpy(),acc.numpy()))由于输出过长，这里注释掉了 print("第{}次正确率为：{}".format(epoch+1,all_acc/i))登录后复制 第1次正确率为：[0.7300885]第2次正确率为：[0.8053097]第3次正确率为：[0.8362832]第4次正确率为：[0.7920354]第5次正确率为：[0.71681416]第6次正确率为：[0.84513277]登录后复制
六、模型评估
In [30]#测试集数据运行net.eval()#模型转换为测试模式all_acc = 0for i in range(X_test.shape[0]): x = paddle.to_tensor([X_test[i]],dtype="float32") y = paddle.to_tensor([y_test[i]],dtype="int64") infer_y = net(x) # 计算损失与精度 loss = loss_func(infer_y, y) acc = paddle.metric.accuracy(infer_y, y) all_acc = all_acc+acc.numpy() # 打印信息 #print("loss is: {}, acc is: {}".format(loss.numpy(), acc.numpy()))print("测试集正确率：{}".format(all_acc/i))登录后复制 测试集正确率：[0.84]登录后复制 In [20]
#预测结果展示net.eval()x = paddle.to_tensor([X_train[1]],dtype="float32")y = paddle.to_tensor([y_train[1]],dtype="int64")infer_y = net(x)# 计算损失与精度loss = loss_func(infer_y, y)# 打印信息print("X_train[1] is :{}\n y_train[1] is :{}\n predict is {}".format(X_train[1],y_train[1],np.argmax(infer_y.numpy()[0])))登录后复制 X_train[1] is :[-1.48235364 -1.49761715 -1.12562388 0.45148196 -0.382707 0.96548999 1.46723474 -0.89784884 -0.6964023 -0.92771533 -0.44128998 1.54533482 -0.29346959 0.99560437 -0.96110812 -0.13392991 -0.27537136 -0.93596638 1.07791686 -0.0942809 -0.23624977 0.91139737 -0.8030738 ] y_train[1] is :[1] predict is 1登录后复制
可以看到，模型在训练集上的准确率为0.845，在测试集上的准确率在0.84，并且我们抽取了一个数据进行预测，进行更为直观的展示，模型的预测结果与实际相符。
七、总结
本文对一个项目使用神经网络建模并预测使用的过程进行了一个较为完整的展示，包括了数据探索，数据处理，模型训练，模型评价等，并且在使用神经网络时采取了使用基础api进行组网的方式，希望能对刚了解深度学习并想要尝试的同学有所启发
八、个人介绍
浙江工业大学之江学院 理学院 数据科学与大数据技术专业 2019级 本科生 汪哲瑜
我在AI Studio上获得青铜等级，点亮1个徽章，来互关呀~ https://aistudio.baidu.com/aistudio/personalcenter/thirdview/761690
相关攻略
Pywinrm 通过Windows远程管理（WinRM）协议，让Python能够像操作本地一样执行远程Windows命令，真正打通了跨平台管理的最后一公里。 在混合IT环境中，Linux机器管理Wi
早些时候，聊过 Python 领域那场惊心动魄的供应链攻击。当时我就感叹，虽然我们 JavaScript 开发者对这类套路烂熟于心，但亲眼目睹这种规模的“投毒”还是头一次。 早些时候，聊过 Pyth
Toga 是 BeeWare 家族的核心成员，号称“写一次，跑遍所有平台”，而且用的是系统原生控件，不是那种一看就是网页套壳的界面 。 写了这么多年 Python，你是不是也想过：要是能一套代码跑
异常处理的核心：让错误在正确的地方被有效处理。正确的地方，就是别在底层就把异常吞了，也别在顶层还抛裸奔的 Exception。 异常处理写得好，半夜不用起来改 bug。1 你是不是也这么干过？tr
1 Skills机制概述 提起OpenClaw的Skills机制，不少人可能会把它想象成传统意义上的可执行插件。其实，它的内涵要更精妙一些。 简单说，Skills本质上是一套基于提示驱动的能力扩展机制。它并不是一个可以独立“跑”起来的程序模块，而是通过一份结构化描述文件（核心就是那个SKILL m
热门专题
热门推荐
加密货币行业翘首以盼的监管里程碑，终于有了实质性进展。美国证券交易委员会（SEC）主席保罗·阿特金斯（Paul Atkins）近日证实，那份允许加密项目在早期获得注册豁免权的“安全港”框架提案，已经正式送抵白宫，进入了最终审查阶段。 在范德堡大学与区块链协会联合举办的数字资产峰会上，阿特金斯透露了这
微策略Strategy报告：第一季录得144 6亿美元浮亏 再斥资约3 3亿美元买进4871枚比特币 市场震荡的威力有多大？看看Strategy的最新季报就明白了。根据其最新向美国证管会(SEC)提交的8-K报告，受市场剧烈波动影响，这家公司所持的比特币在第一季度录得了一笔惊人的数字——144 6亿
稳定币巨头Tether的动向，向来是加密世界的风向标。这不，它向Web3基础设施的版图扩张，又迈出了关键一步。公司执行长Paolo Ardoino在社交平台X上透露，其工程团队正在全力“烹制”一个新项目——去中心化搜索引擎 “Hypersearch”。这个消息一出，立刻引发了行业的广泛猜想。 采用D
基地位于Coinbase旗下以太坊Layer2网络Base的Seamless Protocol，日前正式宣告了服务的终结。这个曾经吸引了超过20万用户的原生DeFi借贷协议，在运营不到三年后，终究没能跑赢时间。它主打的核心产品是Integrated Leverage Markets（ILMs）——一
PAAL代币揭秘：深度解析Web3社区治理的核心钥匙 在去中心化自治组织的浪潮中，谁真正掌握了项目的话语权？PAAL代币提供了一套系统化的答案。它不仅是生态内流转的价值媒介，更是开启链上治理大门的核心凭证。通过持有并质押PAAL代币，用户能够对协议升级、资金分配乃至战略方向等关键事务投出决定性的一票