曹菲菲

摘要：心臟病是對人類生命的一個威脅，如何發(fā)現(xiàn)被提早預(yù)防就顯得尤為重要。以心臟病數(shù)據(jù)集為研究對象，對數(shù)據(jù)集進(jìn)行簡單介紹，對分類特征值和連續(xù)特征值與患病情況的關(guān)系進(jìn)行分析;分別構(gòu)建單一評估模型，如隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、K最近鄰等，分另0對患病情況進(jìn)行預(yù)測，結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)預(yù)測效果最好，準(zhǔn)確率為87.6%;我們采用組合Stacking模型后，發(fā)現(xiàn)組合Stacking模型的準(zhǔn)確率為92.7%，比人工神經(jīng)網(wǎng)絡(luò)提高大約5%，而且通過訓(xùn)練集和測試集上各評價指標(biāo)的比較發(fā)現(xiàn)，組合Stacking模型具有很好的泛化性能.

關(guān)鍵詞：心臟病;單一評估模型;人工神經(jīng)網(wǎng)絡(luò);組合模型Stacking;評估模型

中圖分類號：TPl81 文獻(xiàn)標(biāo)志碼：A

心臟病是人類健康的最大威脅，全世界1/3人口死亡由心臟病引起。我國每年有幾十萬人死于心臟病，對心臟病的研究顯得尤為重要。如果可以通過提取人體相關(guān)的體測指標(biāo)，對心臟病患病情況進(jìn)行預(yù)測，將對預(yù)防心臟病起到至關(guān)重要的作用。

對心臟病的病癥及原因進(jìn)行了一定的檢索，有李廣平所著的實用臨床心臟病診斷治療學(xué);弓孟春和嚴(yán)曉偉對歐洲心臟病學(xué)會2008年版心力衰竭的診斷和治療指南解讀;李世軍和司全金對2017年歐洲心臟病學(xué)會外周動脈疾病診斷與治療指南解讀;劉江生對我國康復(fù)心臟病學(xué)的發(fā)展及現(xiàn)狀的研究等。對心臟病患病情況的預(yù)測研究主要有：Krishnaiah V，NarsimhaG，Subhash N使用數(shù)據(jù)挖掘技術(shù)和智能模糊方法對心臟病患病情況進(jìn)行預(yù)測研究;Palaniappan s，AwangR提出使用決策樹和神經(jīng)網(wǎng)絡(luò)對心臟病患病情況進(jìn)行預(yù)測，并對預(yù)測結(jié)果進(jìn)行決策制定;Thomas J，PrincyR T使用決策樹、K最近鄰、樸素貝葉斯和神經(jīng)網(wǎng)絡(luò)斡分類技術(shù)對心臟病患病情況進(jìn)行預(yù)測;Ramachandran，s使用弗雷明漢模型對心臟病患病情況進(jìn)行預(yù)測;Kan-chan B D，Kishor M M基于構(gòu)件分析原理在特殊疾病上使用機(jī)器學(xué)習(xí)算法對患病情況進(jìn)行預(yù)測研究;Giardina M，Azuaje F，Mccullagh P等人提出一種用于預(yù)測2型糖尿病患者冠心病并發(fā)癥的監(jiān)督學(xué)習(xí)方法對此病的患病情況進(jìn)行預(yù)測。

本論述選取UCI的開源數(shù)據(jù)集Heart_Disease（https：//archive.ics.uci.edu/ml/datasets/Heart+Disease），使用組合模型Stacking對心臟病患病情況進(jìn)行預(yù)測，我們的貢獻(xiàn)是將一些初級分類器如用決策樹、K最近鄰、樸素貝葉斯和神經(jīng)網(wǎng)絡(luò)等進(jìn)行組合，并使用簡單的線性模型如邏輯斯蒂回歸作為次級分類器，采用這種方法不僅使模型的準(zhǔn)確率提高，而且模型的泛化性能也得到提高，我們認(rèn)為這在分類預(yù)測中是非常重要的。

1數(shù)據(jù)描述

1.1數(shù)據(jù)集介紹

此數(shù)據(jù)集包含303個心臟病檢查患者的體測數(shù)據(jù)，包含13個特征和一個目標(biāo)，為了便于理解，我們將特征重新命名，其具體的特征及介紹見表1所列。

1.2分類特征值與患病情況的比率關(guān)系

圖1中a，b，c分別描述了8種分類特征值與患病情況之間的關(guān)系，圖中的數(shù)字和百分?jǐn)?shù)分別表示該種特征值患病與否的數(shù)量與比例，為了表示方便，將某些特征名在標(biāo)注時進(jìn)行了簡寫，如exang表示運(yùn)動時是否心絞痛，其他簡寫類似，從表1中可以找到其對應(yīng)的全稱.從圖1可以清楚看出各分類特征值在患病情況中占的比例，當(dāng)透視檢查血管數(shù)越多，不患病的比例越高;對于缺陷種類，有兩位受試者不能確定，在后面的建模中，會將其刪去，當(dāng)受試者的缺陷種類為固有缺陷時，患病比例大大提升;當(dāng)運(yùn)動引起心絞痛時，不患病比例的人數(shù)增多;當(dāng)心電圖sT段=向下傾斜時，患病人數(shù)比例增多;不管空腹血糖是否大于120mg/dl，其患病與不患病人數(shù)都差不多;當(dāng)心電圖顯示患有ST-T波異常時，患病人數(shù)比例增多;對于這四種胸痛類型，都有較高的患病比例;性別顯示女性相比男性有更高的患病比例。

1.3連續(xù)特征值及患病情況的分布

對連續(xù)特征值進(jìn)行可視化結(jié)果如圖2所示。其中年齡，靜息血壓、最大心跳數(shù)和膽固醇呈近似正態(tài)分布，年齡在50至60歲之間的受試者患心臟病的頻率最大，目標(biāo)患病情況的分布基本均衡，這在分類預(yù)測中是非常重要的;而sT段抑郁呈明顯的右偏分布，大量受試者分布在0-1之間。

2方法

1992年Wolpert提出集成學(xué)習(xí)Stacking算法，主要組合多個不同學(xué)習(xí)器提高預(yù)測效果。Stacking算法分為初級學(xué)習(xí)器和次級學(xué)習(xí)器兩部分，其原理如圖3所示。

組合學(xué)習(xí)Stacking算法先將數(shù)據(jù)集分為訓(xùn)練集（Training Data）和測試集（Test Data），具體訓(xùn)練過程如下。

2.1第一層初級學(xué)習(xí)器

訓(xùn)練集采用5折交叉驗證，其中訓(xùn)練模型數(shù)據(jù)集（Learn）占4/5，驗證模型的數(shù)據(jù)集（Predict）占1/5;首先選擇第一個單一評估模型Model 1，用數(shù)據(jù)集（Learn）訓(xùn)練模型，將訓(xùn)練好的模型對數(shù)據(jù)集（Predict）進(jìn)行預(yù)測，經(jīng)過第一次交叉驗證后，預(yù)測結(jié)果記為a1，同理訓(xùn)練模型對測試集（Test Data）預(yù)測結(jié)果為b1，經(jīng)過5此交叉驗證，訓(xùn)練集得到預(yù)測結(jié)果（a1，a2，a3，a4，a5），將其合并為矩陣A1;測試集預(yù)測結(jié)果（b1，b2，b3，b4，b5），對各部分預(yù)測值對應(yīng)相加求均值，結(jié)果記為矩陣B1，以上步驟為Stacking中第一個基本學(xué)習(xí)器為Model 1的完整算法流程，同理計算n個不同模型，最終訓(xùn)練集的預(yù)測結(jié)果矩陣為A=（A1，A2，A3，…，A5），測試集的預(yù)測結(jié)果矩陣為B=（B1，B2，B3，…，B5）。

2.2第二層次級學(xué)習(xí)器

矩陣A為訓(xùn)練集，矩陣曰為測試集，構(gòu)造簡單的邏輯斯蒂回歸模型，其中第j個單一評估模型Model.j對第i個訓(xùn)練樣本點(diǎn)的預(yù)測值，作為新的訓(xùn)練集中第i個樣本的第i個特征值，即解釋變量為不同模型的預(yù)測值，被解釋變量為實際的變量值。

采用組合模型Stacking算法，具體流程圖如圖4所示，首先對數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，并將數(shù)據(jù)集按4：1比例隨機(jī)分為訓(xùn)練集和測試集，然后第一層初級學(xué)習(xí)器，選擇單一非線性結(jié)構(gòu)的評估模型，如隨機(jī)森林、Gra-dientBoosting、KNN、SVM、人工神經(jīng)網(wǎng)絡(luò)等，采用5折交叉驗證，計算得到訓(xùn)練集和測試集的矩陣為A和B;第二層為次級學(xué)習(xí)器，將舉證A和B組合成新的矩陣為D=（A，B）^T，即將5個單一評估模型的預(yù)測結(jié)果作為新特征，且矩陣A和B分別為訓(xùn)練集和測試集，心臟病患病情況target為因變量，構(gòu)建簡單的邏輯斯蒂回歸模型，其評估模型如圖4所示。

3結(jié)果

3.1評估指標(biāo)

構(gòu)建心臟病患病情況評估模型之前，需要將數(shù)據(jù)劃分為訓(xùn)練集和測試集，其中訓(xùn)練集用來訓(xùn)練評估模型，測試集用來測試評估效果。一般為了評估模型穩(wěn)健性，采用K折交叉驗證法，該方法將數(shù)據(jù)分成K份樣本集，每次將其中一份作為測試集，剩余的K=1份作為訓(xùn)練集，如此重復(fù)K次，并計算K個預(yù)測結(jié)果的均值作為最終預(yù)測結(jié)果。

本論述通過5折交叉驗證，隨機(jī)分配訓(xùn)練集和測試集，對測試集的心臟病患病情況進(jìn)行預(yù)測評估，其中評估指標(biāo)主要有以下三種，敏感性（sensitivity）、特異性（specificity）、準(zhǔn)確率（Accuracy）和F1 Score，敏感性和特異性是心臟病診斷測試常用的指標(biāo).分別對預(yù)測結(jié)果評估分析，下面給出它們的計算公式：

3.2單一評估模型預(yù)測

首先對每個單一模型進(jìn)行訓(xùn)練，得到最優(yōu)模型，再進(jìn)行預(yù)測，所有這些工作我們通過編程語言Python來完成。

對于隨機(jī)森林分類器，通過網(wǎng)格搜索法確定參數(shù)的最優(yōu)組合為最大深度（max_depth）設(shè)置為5，建立子樹的數(shù)量（n_estimators）設(shè)置為50，由于心臟病數(shù)據(jù)集合特征數(shù)量都較小，其他參數(shù)使用默認(rèn)值;對于支持向量機(jī)分類器，選擇高斯核函數(shù)（RBF）進(jìn)行預(yù)測時模型表現(xiàn)最好;對于梯度提升分類器，定義損失函數(shù)為指數(shù)損失函數(shù)，學(xué)習(xí)速率（Eearning_rate）為0.03，需要擬合的樹的數(shù)量（n estimators）為75，最大深度（max_depth）為5;對于K最近鄰分類器，將權(quán)重考慮在內(nèi)，并使用uniform作為權(quán)重，使用歐幾里得法計算距離，使用10折交叉驗證對近鄰數(shù)K進(jìn)行選擇，在訓(xùn)練集上預(yù)測表現(xiàn)最好的K值為10，測試集上預(yù)測表現(xiàn)最好的K值為6;對于人工神經(jīng)網(wǎng)絡(luò)分類器，使用Relu作為激活函數(shù)，學(xué)習(xí)速率為0.0023，使用交叉熵?fù)p失函數(shù)作為衡量標(biāo)準(zhǔn)，采用反向傳播算法訓(xùn)練模型，當(dāng)?shù)芷冢╪um_epochs）達(dá)到7000次時，平均損失達(dá)到最小，此時的模型達(dá)到最優(yōu)。對每個單一評估模型進(jìn)行最優(yōu)選擇后，我們分別將它們運(yùn)行在訓(xùn)練集和測試集上，得到的結(jié)果見表2所列。

由表可知，單一評估模型中人工神經(jīng)網(wǎng)絡(luò)分類器的預(yù)測效果最佳，其中測試集的敏感率（Sensitivity）為0.85，特異率（specificity）為0.89，準(zhǔn)確率（Accuracy）為0.900，其次為隨機(jī)森林分類器、支持向量機(jī)分類器、梯度提升分類器和K最近鄰分類器。

3.3組合模型Stacking預(yù)測

現(xiàn)在用第3章提出的組合模型Stacking算法對心臟病患病情況進(jìn)行預(yù)測，并與4.2節(jié)提到的單一評估模型中預(yù)測性能最好的人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行比較，最終預(yù)測結(jié)果如表所示，組合模型Stacking訓(xùn)練集的敏感率（sensitivity）為0.94，而人工神經(jīng)網(wǎng)絡(luò)分類器敏感率（sensitivity）為0.865;組合模型Stacking測試集的敏感率（sensitivity）為0.935，而人工神經(jīng)網(wǎng)絡(luò)分類器敏感率（sensitivity）為0.89，因此組合模型Stacking的預(yù)測敏感率相對人工神經(jīng)網(wǎng)絡(luò)提高了4.5%;同理測試集上組合模型Stacking預(yù)測特異率提高了6%，準(zhǔn)確率提高了2.7%。

組合模型Stacking的預(yù)測效果最佳，準(zhǔn)確率較高，且具有很好的泛化性能。

4結(jié)論與展望

本論述以心臟病數(shù)據(jù)為例，通過對心臟病患病情況的預(yù)測分布建立單一評估模型和組合模型Stacking模型。該模型主要分為初級學(xué)習(xí)器和次級學(xué)習(xí)器兩層，其中第一層初級學(xué)習(xí)器將多個不同單一評估模型組合，采用5折交叉驗證，有效防止過擬合;第二層次級學(xué)習(xí)器，建立簡單的邏輯斯蒂回歸模型，最終發(fā)現(xiàn)組合模型Stacking優(yōu)于單一評估模型，具有較好的泛化能力，值得被推廣應(yīng)用到心臟病患病情況預(yù)測中。心臟病一直是患者與醫(yī)院十分關(guān)注的疾病，對心臟病的預(yù)防和緊急治療是當(dāng)前需要解決的重大問題，希望能在醫(yī)院安裝這種程序，當(dāng)心臟病潛在患者或者健康人群來醫(yī)院就診時，可以使用該程序?qū)@些人群進(jìn)行心臟病患病情況的評估，對于預(yù)測出可能患心臟病的人群，提早告知他們并給予建議多加防范，這也是這個模型提出的意義所在。