原文連結：http://tecdat.cn/?p=23061
資料集資訊：
這個資料集可以追溯到1988年，由四個資料庫組成。克利夫蘭、匈牙利、瑞士和長灘。"目标 "字段是指病人是否有心髒病。它的數值為整數，0=無病，1=有病。
目标:
主要目的是預測給定的人是否有心髒病，借助于幾個因素，如年齡、膽固醇水準、胸痛類型等。
我們在這個問題上使用的算法是：
- 二進制邏輯回歸
- Naive Bayes算法
- 決策樹
- 随機森林
資料集的描述:
該資料有303個觀察值和14個變量。每個觀察值都包含關于個人的以下資訊。
- 年齡:- 個人的年齡，以年為機關
- sex:- 性别（1=男性；0=女性）
- cp - 胸痛類型（1=典型心絞痛；2=非典型心絞痛；3=非心絞痛；4=無症狀）。
- trestbps--靜息血壓
- chol - 血清膽固醇，機關：mg/dl
- fbs - 空腹血糖水準>120 mg/dl（1=真；0=假)
- restecg - 靜息心電圖結果（0=正常；1=有ST-T；2=肥大)
- thalach - 達到的最大心率
- exang - 運動誘發的心絞痛（1=是；0=否)
- oldpeak - 相對于靜止狀态，運動誘發的ST壓低
- slope - 運動時ST段峰值的斜率（1=上斜；2=平坦；3=下斜)
- ca - 主要血管的數量（0-4），由Flourosopy着色
- 地中海貧血症--地中海貧血症是一種遺傳性血液疾病，會影響身體産生血紅蛋白和紅細胞的能力。1=正常；2=固定缺陷；3=可逆轉缺陷
- 目标--預測屬性--心髒疾病的診斷（血管造影疾病狀态）（值0=<50%直徑狹窄；值1=>50%直徑狹窄)
在Rstudio中加載資料
heart<-read.csv("heart.csv",header = T) 複制
header = T意味着給定的資料有自己的标題，或者換句話說，第一個觀測值也被考慮用于預測。
head(heart) 複制
當我們想檢視和檢查資料的前六個觀察點時，我們使用head函數。
tail(heart) 複制
顯示的是我們資料中最後面的六個觀察點
colSums(is.na(heart)) 複制
這個函數是用來檢查我們的資料是否包含任何NA值。
如果沒有發現NA，我們就可以繼續前進，否則我們就必須在之前删除NA。
檢查我們的資料結構
str(heart) 複制
檢視我們的資料摘要
summary(heart) 複制
通過觀察以上的總結，我們可以說以下幾點
- 性别不是連續變量，因為根據我們的描述，它可以是男性或女性。是以，我們必須将性别這個變量名稱從整數轉換為因子。
- cp不能成為連續變量，因為它是胸痛的類型。由于它是胸痛的類型，我們必須将變量cp轉換為因子。
- fbs不能是連續變量或整數，因為它顯示血糖水準是否低于120mg/dl。
- restecg是因子，因為它是心電圖結果的類型。它不能是整數。是以，我們要把它轉換為因子和标簽。
- 根據資料集的描述，exang應該是因子。心絞痛發生或不發生。是以，将該變量轉換為因子。
- 斜率不能是整數，因為它是在心電圖中觀察到的斜率類型。是以，我們将變量轉換為因子。
- 根據資料集的描述，ca不是整數。是以，我們要将該變量轉換為因子。
- thal不是整數，因為它是地中海貧血的類型。是以，我們将變量轉換為因子。
- 目标是預測變量，告訴我們這個人是否有心髒病。是以，我們将該變量轉換為因子，并為其貼上标簽。
根據上述考慮，我們對變量做了一些變化
#例如
sex<-as.factor(sex)
levels(sex)<-c("Female","Male") 複制
檢查上述變化是否執行成功
str(heart) 複制
summary(heart) 複制
EDA
EDA是探索性資料分析（Exploratory Data Analysis）的縮寫，它是一種資料分析的方法/哲學，采用各種技術（主要是圖形技術）來深入了解資料集。
對于圖形表示，我們需要庫 "ggplot2"
library(ggplot2)
ggplot(heart,aes(x=age,fill=target,color=target)) + geom_histogram(binwidth = 1,color="black") + labs(x = "Age",y = "Frequency", title = "Heart Disease w.r.t. Age") 複制
我們可以得出結論，與60歲以上的人相比，40至60歲的人患心髒病的機率最高。
table <- table(cp)
pie(table) 複制
我們可以得出結論，在所有類型的胸痛中，在個人身上觀察到的大多數是典型的胸痛類型，然後是非心絞痛。
執行機器學習算法
Logistic回歸
首先，我們将資料集分為訓練資料（75%）和測試資料（25%）。
set.seed(100)
#100用于控制抽樣的permutation為100.
index<-sample(nrow(heart),0.75*nrow(heart)) 複制
在訓練資料上生成模型，然後用測試資料驗證模型。
glm(family = "binomial")
# family = " 二項式 "意味着隻包含兩個結果。 複制
為了檢查我們的模型是如何生成的，我們需要計算預測分數和建立混淆矩陣來了解模型的準确性。
pred<-fitted(blr)
# 拟合隻能用于獲得生成模型的資料的預測分數。 複制
我們可以看到，預測的分數是患心髒病的機率。但我們必須找到一個适當的分界點，從這個分界點可以很容易地區分是否患有心髒病。
為此，我們需要ROC曲線，這是一個顯示分類模型在所有分類門檻值下的性能的圖形。它将使我們能夠采取适當的臨界值。
pred<-prediction(train$pred,train$target)
perf<-performance(pred,"tpr","fpr")
plot(perf,colorize = T,print.cutoffs.at = seq(0.1,by = 0.1)) 複制
通過使用ROC曲線，我們可以觀察到0.6具有更好的敏感性和特異性，是以我們選擇0.6作為區分的分界點。
pred1<-ifelse(pred<0.6,"No","Yes") 複制
# 訓練資料的準确性
acc_tr 複制
從訓練資料的混淆矩陣中，我們知道模型有88.55%的準确性。
現在在測試資料上驗證該模型
predict(type = "response")
## type = "response "是用來獲得患有心髒病的機率的結果。
head(test) 複制
我們知道，對于訓練資料來說，臨界點是0.6。同樣地，測試資料也會有相同的臨界點。
confusionMatrix((pred1),target) 複制
#測試資料的準确性. 複制
檢查我們的預測值有多少位于曲線内
[email protected] 複制
我們可以得出結論，我們的準确率為81.58%，90.26%的預測值位于曲線之下。同時，我們的錯誤分類率為18.42%。
Naive Bayes算法
在執行Naive Bayes算法之前，需要删除我們在執行BLR時添加的額外預測列。
#naivebayes模型
nB(target~.) 複制
用訓練資料檢查模型，并建立其混淆矩陣，來了解模型的準确程度。
predict(train)
confMat(pred,target) 複制
我們可以說，貝葉斯算法對訓練資料的準确率為85.46%。
現在，通過預測和建立混淆矩陣來驗證測試資料的模型。
Matrix(pred,target) 複制
我們可以得出結論，在Naive Bayes算法的幫助下生成的模型準确率為78.95%，或者我們也可以說Naive Bayes算法的錯誤分類率為21.05%。
決策樹
在實施決策樹之前，我們需要删除我們在執行Naive Bayes算法時添加的額外列。
train$pred<-NULL 複制
rpart代表遞歸分區和回歸樹
當自變量和因變量都是連續的或分類的時候，就會用到rpart。
rpart會自動檢測是否要根據因變量進行回歸或分類。
實施決策樹
plot(tree) 複制
在決策樹的幫助下，我們可以說所有變量中最重要的是CP、CA、THAL、Oldpeak。
讓我們用測試資料來驗證這個模型，并找出模型的準确性。
conMat(pred,targ) 複制
我們可以說，決策樹的準确率為76.32%，或者說它的錯誤分類率為23.68%。
随機森林
在執行随機森林之前，我們需要删除我們在執行決策樹時添加的額外預測列。
test$pred<-NULL 複制
在随機森林中，我們不需要将資料分成訓練資料和測試資料，我們直接在整個資料上生成模型。為了生成模型，我們需要使用随機森林庫
# Set.seed通過限制permutation來控制随機性。
set.seed(100)
model_rf<-randomForest(target~.,data = heart)
model_rf 複制
在圖上繪制出随機森林與誤差的關系。
plot(model_rf) 複制
紅線代表沒有心髒病的MCR，綠線代表有心髒病的MCR，黑線代表總體MCR或OOB誤差。總體誤差率是我們感興趣的，結果不錯。
結論
在進行了各種分類技術并考慮到它們的準确性後，我們可以得出結論，所有模型的準确性都在76%到84%之間。其中，随機森林的準确率略高，為83.5%。