python机器学习-乳腺癌细胞挖掘和生存分析（2024年新版）

随着人们生活水平提高，大家不仅关注如何生活，而且关注如何生活得更好。在这个背景下，精准治疗和预测诊断成为当今热门话题。

据权威医学资料统计，全球大约每13分钟就有一人死于乳腺癌，乳腺癌已成为威胁当代人健康的主要疾病之一，并且随着发病率的增加，死亡率也逐渐增加，作为女性实在不能不重视。
其中前十位死因；女性乳腺癌为首因，其余顺序与全人群死因一致。其中，乳腺癌可能没有任何先兆，是一个隐形杀手。
有不少人的乳腺癌是没有任何征兆的，有可能只是发现肿块但没有任何不舒服的地方，但一检查就确诊乳腺癌的情况不在少数，更甚至于有些人已经发展到乳腺癌晚期，只能采取切除患病乳房的方式来挽救生命。因此一定要密切注意乳房的变化，每年体检一次，排除患癌因素最保险。有权威数据统计，中国将进入乳腺癌高峰期，到2021年中国将有250万人患乳腺癌！保养胸部将不再是“喜不喜欢、需不需要”可选问题，在未来的日子里乳腺癌预防将是每个不同年龄女人的必须选择。
乳腺癌的主要症状包括：
1、肿块
为95%乳腺癌病人的乎发症状。大多单发，少见多发，形态偏于圆形、椭圆形或不规则形。质地一般较硬、境界不清。个别如髓样癌质地较软，境界较清。多发于外上象限，肿块增大较快，早期可有活动度。
2、皮肤改变
常见为浅表静脉怒张，酒窝征和桔皮样皮肤。炎性乳癌病人胸部皮肤可大片颜色变暗，呈硬结、增厚，杂以癌性斑块和溃疡呈铠甲状胸壁。晚期乳癌可向浅表溃破，形成溃疡或菜花状新生物。
3、乳头乳晕改变
乳房中央区乳腺癌，大导管受侵犯可致乳头扁平、凹陷、回缩，甚至乳头陷入晕下，导致乳晕变形。Paget氏病可出现乳头、乳晕皮肤湿疹样改变。
4、乳头溢液
乳腺癌伴溢液占乳癌总数的1.3-7%,且多见于管内癌、乳头状癌。血性溢液多见，次为浆液性、浆血性、水样等也有。以溢液为唯一症状乳癌，极少见，且大多为早期管内癌、乳头状癌，溢液乳腺癌多数先发现肿块后伴有溢液。
5、疼痛
早期出现的为无痛性肿块。乳癌合并囊性增生病时，可有胀痛、钝痛。晚期乳癌疼痛常提示肿瘤直接侵犯神经。
6、腋淋巴结肿大
作为乳腺癌首发症状少见(除非隐匿型乳腺癌)。大多提示乳腺癌病程进展，需排除上肢、肩背、胸部其他恶性肿瘤转移所致。

精准医疗和诊断预测离不开计算机编程，临床数据和机器学习算法。

乳腺癌是世界各地女性常见的癌症，通过尽早对患者进行临床治疗，尽早发现BC可大大改善预后和生存机会。因此，仅通过使用数据，python和机器学习就能帮助挽救生命真是太神奇了！通过下述代码，您已经完成创建乳房检测程序来预测患者是否患有癌症！同样，如果您愿意，您可以报名听我讲解课程的所有代码。

欢迎各位同学学习《python机器学习-乳腺癌细胞挖掘》课程2024年新版

课程概述

此课程讲述如何运用python的sklearn快速建立机器学习模型。

课程有两个乳腺癌临床实战项目

1.(breast cancer Wisconsin)威斯康辛乳腺癌细胞挖掘和预测模型

2.（NCI SEER breast cancer）美国国立癌症研究所数据库乳腺癌生存分析和乳腺癌预测模型(2024年更新)

课程讲述十大经典机器学习算法：逻辑回归，支持向量，KNN,神经网络，随机森林，xgboost,lightGBM,catboost。这些算法模型可以应用于各个领域数据。课程涉及机器学习多个技术，包括stacking融合模型，非平衡数据处理，因子分析，pca主成分分析等等。

本视频系列通俗易懂，课程针对学生和科研机构，python爱好者。
本视频教程系列有完整python代码，观众看后可以下载实际操作。

了解癌症肿瘤基本常识，建立健康生活方式，预防癌症，减轻癌症治疗成本。

适用人群

研究生，博士生毕业论文，SEER/NCBI/SCI/Nature论文发布，python爱好者，机器学习，生物信息学，乳腺癌医学科研机构（课程有版权，引用需标注来源）

课程收益

0.癌症常识

1.python编程

2.机器学习十大经典算法建模

3.机器学习乳腺癌预测模型

4.机器学习乳腺癌生存分析

5.机器学习乳腺癌细胞预测模型

6.stacking融合模型技术

7.非平衡数据处理技术

8.因子分析和主成分分析技术

项目一.威斯康辛乳腺癌细胞挖掘的数据集

乳腺癌建模数据

项目二.2024年新项目基于美国国立癌症研究所数据库（NCI SEER）的乳腺癌生存分析和乳腺癌预测模型。

课程支持2个乳腺癌项目的预测模型数据和脚本下载。

美国国立癌症研究所数据库（NCI SEER）的乳腺癌预测模型AUC大于0.86，模型性能优越。

SEER数据库挖掘的文章正在逐年上升，并且发了不少高质量的文章。

课程中十大经典机器学习算法震撼登场：逻辑回归，支持向量，KNN,神经网络，随机森林，xgboost,lightGBM,catboost。课程提供视频里讲解脚本，这些模型脚本可以应用于各个领域数据，包括金融反欺诈模型，信用评分模型，收入预测模型等等，为中小企业提供现成解决方案。

随机森林变量权重可视化

课程耗费三年时间，360度无死角的讲述整个模型开发周期，非市场上快餐教学。教程包括数据获取，数据预处理，变量筛选，模型筛选，模型评估，模型调参。

本视频系列通俗易懂，课程针对学生和科研机构，python爱好者。本视频教程系列有完整python代码，观众看后可以下载实际操作。这些模型代码可为中小型企业提供解决方案。

python机器学习编程环境搭建

python机器学习-乳腺癌细胞挖掘课程讲授初学者如何搭建python的Anaconda编程环境，Anaconda是一个集成数据科学编程框架，嵌入了sklearn，matplotlib,seaborn等常用机器学习和统计学包。

（1）下载anaconda

首先下载anaconda，这款框架比Python官网的编辑器更好用，下载网址为https://www.anaconda.com/download/

anaconda支持windows,linux,苹果操作系统

支持32位和64位操作系统

（2）导入sklearn第三方包

anaconda下载安装好后打开，自带sklearn第三方包

命令行输入import sklearn，无报错就表示运行正常

（3）pip install安装其他第三方包

机器学习中，有时候需要导入其他包，而sklearn没有，这时就需要用pip install安装其他第三方包

（4）非官方扩展包下载地址

有时候pip install安装失败，我们需要去欧文大学下载Python非官方扩展包

Python有大量非官方扩展包，应用于各行各业，主要是数据科学，人工智能，爬虫等等，下载地址为

https://www.lfd.uci.edu/~gohlke/pythonlibs/

乳腺癌细胞分类器建模

现在我们要用机器学习算法建立分类器，区分细胞为良性细胞或癌细胞。分类器就是解决二分类或多分类问题。

建立分类器算法很多，包括逻辑回归，xgboost,svm，神经网络等等。

开始编程：

在编写一行代码之前，我想做的第一件事是在代码的注释中加入描述。这样，我可以回顾我的代码并确切地知道它的作用。

#Description: This program detects breast cancer, based off of data.

现在导入包/库，以使其更容易编写程序。

#import librariesimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns

接下来，我将加载数据，并打印数据的前7行。
注意：每行数据代表可能患有或未患有癌症的患者。

#Load数据#from  google.colab 导入文件＃用来加载数据在谷歌Colab #uploaded = files.upload（） ＃使用在谷歌Colab负荷数据DF = pd.read_csv（ 'data.csv'）df.head （7）

探索数据并计算数据集中的行数和列数。它们是569行数据，这意味着他们是该数据集中的569位患者，而33列则是每位患者的33个特征或数据点。

＃计算数据集df.shape中的行数和列数

继续探索数据并获得包含空值（NaN，NAN，na）的所有列的计数。请注意，除了名为“ Unnamed：32 ”的列（其中包含569个空值）（数据集中的行数相同，这告诉我该列完全没有用）之外，所有列均未包含任何空值。

＃计算每列df.isna（）。sum（）中的空值（NaN，NAN，na）

从原始数据集中删除“未命名：32 ”列，因为它没有任何值。

<em class="kq">#Drop the column with all missing values (na, NAN, NaN)</em><br><em class="kq">#NOTE: This drops the column Unnamed</em><br>df = df.dropna(axis=1)

获取新的行和列数计数。

#Get the new count of the number of rows and colsdf.shape

获取具有恶性（M）癌细胞和良性（B）非癌细胞的患者数。

#Get a count of the number of 'M' & 'B' cellsdf['diagnosis'].value_counts()

通过创建计数图可视化计数。

#Visualize this countsns.countplot(df['diagnosis'],label="Count")

查看数据类型以查看哪些列需要转换/编码。从数据类型中我可以看到，除“诊断”列外，所有列/功能都是数字，“诊断”列是在python中表示为对象的分类数据。

#Look at the data typesdf.dtypes

对分类数据进行编码。将“诊断”列中的值分别从M和B更改为1和0，然后打印结果。

#Encoding categorical data values (from sklearn.preprocessing import LabelEncoderlabelencoder_Y = LabelEncoder()df.iloc[:,1]= labelencoder_Y.fit_transform(df.iloc[:,1].values)print(labelencoder_Y.fit_transform(df.iloc[:,1].values))

创建一个对图。“对图”也称为散点图，其中同一数据行中的一个变量与另一变量的值匹配。

  sns.pairplot（df，hue =“ diagnosis”）

打印现在只有32列的新数据集。仅打印前5行。

df.head（5）

获取列的相关性。

#Get the correlation of the columnsdf.corr()

列相关样本

通过创建热图可视化相关性。

plt.figure（figsize =（20,20））  sns.heatmap（df.corr（），annot = True，fmt ='。0％'）

现在，我完成了探索和清理数据的工作。我将通过首先将数据集分为特征数据集（也称为独立数据集（X））和目标数据集（也称为从属数据集（Y））来设置模型的数据。

X = df.iloc [:, 2:31] .valuesY = df.iloc [:, 1] .values

再次拆分数据，但这一次分为75％的训练和25％的测试数据集。

from sklearn.model_selection import train_test_splitX_train，X_test，Y_train，Y_test = train_test_split（X，Y，test_size = 0.25，random_state = 0）

缩放数据以使所有要素达到相同的大小级别，这意味着要素/独立数据将处于特定范围内，例如0-100或0-1。

from sklearn.preprocessing import StandardScalersc = StandardScaler（）X_train = sc.fit_transform（X_train）X_test = sc.transform（X_test）

创建一个函数以容纳许多不同的模型（例如，逻辑回归，决策树分类器，随机森林分类器）进行分类。这些模型将检测患者是否患有癌症。在此功能内，我还将在训练数据上打印每个模型的准确性。

#学习链接：python机器学习-乳腺癌细胞挖掘 - 网易云课堂def models(X_train,Y_train):     #Using Logistic Regression  from sklearn.linear_model import LogisticRegression  log = LogisticRegression(random_state = 0)  log.fit(X_train, Y_train)     #Using KNeighborsClassifier  from sklearn.neighbors import KNeighborsClassifier  knn = KNeighborsClassifier(n_neighbors = 5, metric = 'minkowski', p = 2)  knn.fit(X_train, Y_train)   #Using SVC linear  from sklearn.svm import SVC  svc_lin = SVC(kernel = 'linear', random_state = 0)  svc_lin.fit(X_train, Y_train)   #Using SVC rbf  from sklearn.svm import SVC  svc_rbf = SVC(kernel = 'rbf', random_state = 0)  svc_rbf.fit(X_train, Y_train)   #Using GaussianNB  from sklearn.naive_bayes import GaussianNB  gauss = GaussianNB()  gauss.fit(X_train, Y_train)   #Using DecisionTreeClassifier  from sklearn.tree import DecisionTreeClassifier  tree = DecisionTreeClassifier(criterion = 'entropy', random_state = 0)  tree.fit(X_train, Y_train)   #Using RandomForestClassifier method of ensemble class to use Random Forest Classification algorithm  from sklearn.ensemble import RandomForestClassifier  forest = RandomForestClassifier(n_estimators = 10, criterion = 'entropy', random_state = 0)  forest.fit(X_train, Y_train)     #print model accuracy on the training data.  print('[0]Logistic Regression Training Accuracy:', log.score(X_train, Y_train))  print('[1]K Nearest Neighbor Training Accuracy:', knn.score(X_train, Y_train))  print('[2]Support Vector Machine (Linear Classifier) Training Accuracy:', svc_lin.score(X_train, Y_train))  print('[3]Support Vector Machine (RBF Classifier) Training Accuracy:', svc_rbf.score(X_train, Y_train))  print('[4]Gaussian Naive Bayes Training Accuracy:', gauss.score(X_train, Y_train))  print('[5]Decision Tree Classifier Training Accuracy:', tree.score(X_train, Y_train))  print('[6]Random Forest Classifier Training Accuracy:', forest.score(X_train, Y_train))     return log, knn, svc_lin, svc_rbf, gauss, tree, forest

创建包含所有模型的模型，并查看每个模型的训练数据上的准确性得分，以对患者是否患有癌症进行分类。

model = models(X_train,Y_train)

catboost建模

今天我要介绍目前开源领域里最新的算法catboost。

catboost起源于俄罗斯搜索巨头yandex,准确率高，速度快，调参少，性价比高于xgboost

今天的CatBoost版本是第一个版本，以后将持续更新迭代。catboost三个特点：（1）“减少过度拟合”：这可以帮助你在训练计划中取得更好的成果。它基于一种构建模型的专有算法，这种算法与标准的梯度提升方案不同。（2）“类别特征支持”：这将改善你的训练结果，同时允许你使用非数字因素，“而不必预先处理数据，或花费时间和精力将其转化为数字。”（3）支持Python或R的API接口来使用CatBoost，包括公式分析和训练可视化工具。（4）有很多机器学习库的代码质量比较差，需要做大量的调优工作，”他说，“而CatBoost只需少量调试，就可以实现良好的性能。这是一个关键性的区别

catboost建立乳腺癌分类器代码

# -*- coding: utf-8 -*-"""#学习链接：python机器学习-乳腺癌细胞挖掘 - 网易云课堂@author: 231469242@qq.com<br>微信公众号：python生物信息学"""  from sklearn.model_selection import train_test_splitimport catboost as cbfrom sklearn.datasets import load_breast_cancercancer=load_breast_cancer()X, y = cancer.data,cancer.targettrain_x, test_x, y_train, y_test=train_test_split(X,y,test_size=0.3,random_state=0)cb = cb.CatBoostClassifier()cb.fit(train_x, y_train)print("accuracy on the training subset:{:.3f}".format(cb.score(train_x,y_train)))print("accuracy on the test subset:{:.3f}".format(cb.score(test_x,y_test)))

大家可以看到catboost预测准确率非常高，训练集100%，测试集97.7%

混淆矩阵

在测试数据上显示混淆矩阵和模型的准确性。该混淆矩阵告诉我们，每个模型有多少病人误诊（许多癌症患者是被误诊为不具有癌症又名假阴性，而谁没有癌症患者被误诊为患有癌症又名这个数字假阳性）和正确诊断的数量，真阳性和真阴性。

误报（FP） =测试结果错误地指示存在特定条件或属性。

真实阳性（TP） =灵敏度（在某些领域中也称为真实阳性率或检测概率）衡量正确鉴定出的真实阳性的比例。

真实阴性（TN） =特异性（也称为真实阴性率）衡量正确鉴定出的实际阴性的比例。

假阴性（FN） =测试结果，表明某个条件不成立，而实际上却成立。例如，测试结果表明某人实际患有癌症时没有罹患癌症

from sklearn.metrics import confusion_matrixfor i in range(len(model)):  cm = confusion_matrix(Y_test, model[i].predict(X_test))     TN = cm[0][0]  TP = cm[1][1]  FN = cm[1][0]  FP = cm[0][1]     print(cm)  print('Model[{}] Testing Accuracy = "{}!"'.format(i,  (TP + TN) / (TP + TN + FN + FP)))  print()# Print a new line

其他获取模型指标的方法，以查看每个模型的性能如何。

#Show other ways to get the classification accuracy & other metrics from sklearn.metrics import classification_reportfrom sklearn.metrics import accuracy_score for i in range(len(model)):  print('Model ',i)  #Check precision, recall, f1-score  print( classification_report(Y_test, model[i].predict(X_test)) )  #Another way to get the models accuracy on the test data  print( accuracy_score(Y_test, model[i].predict(X_test)))  print()#Print a new line

模型预测

测试数据中1–6个性能指标的模型样本

从以上的准确性和指标来看，在测试数据上表现最佳的模型是随机森林分类器，其准确性得分约为96.5％。因此，我将选择该模型来检测患者的癌细胞。对测试数据进行预测/分类，并显示“随机森林分类器”模型分类/预测以及显示或不显示他们患有癌症的患者的实际值。

我注意到了该模型，该模型将一些患者误诊为没有癌症而误诊为癌症，并且将确诊为癌症的患者误诊为未患癌症。尽管此模型很好，但在处理他人的生活时，我希望该模型更好，并使其准确性尽可能接近100％，或者至少好于医生。因此，有必要对每个模型进行一些调整。

#Print随机森林分类器模型的预测pred = model [6] .predict（X_test）print（pred） ＃打印空间print（） ＃打印实际值print（Y_test）

Anaconda+KNN+网格调参+交叉验证

模型调参

python机器学习-乳腺癌细胞挖掘详细讲解模型调参技巧。调参是一门黑箱技术，需要经验丰富的机器学习工程师才能做到。幸运的是sklearn有调参的包，入门级学者也可尝试调参。

如果参数不多，可以手动写函数调参，如果参数太多可以用GridSearchCV调参，如果参数多的占用时间太长，可以用randomSizeCV调参，节约调参时间

GridSearchCV

如果参数太多可以用GridSearchCV调参

（1）单参数调参

（2）多参数调参

因为有n_neighbors和weights两个参数，因此诞生了60个结果

因为有两个参数，所以得到最佳模型：weight=distance,n_neighbor=12

RandomSizeSearchCV

randomSizeCV调参类似于GridSearchCV的抽样

如果参数多的占用时间太长，可以用randomSizeCV调参，节约调参时间。

randomSizeCV调参准确率会略低于GridSearchCV，但可以节约大量时间。

randomSizeCV调参代码

# -*- coding: utf-8 -*-"""Created on Sat Jun 16 19:54:25 2018   @author: 231469242@qq.com<br>微信公众号：pythonEducation"""from sklearn.grid_search import RandomizedSearchCVimport matplotlib.pyplot as plt#交叉验证from sklearn.cross_validation import cross_val_scorefrom sklearn.datasets import load_breast_cancerfrom sklearn.neighbors import KNeighborsClassifier   #导入数据cancer=load_breast_cancer()x=cancer.datay=cancer.target   #调参knn的邻近指数nk_range=list(range(1,31))weight_options=['uniform','distance']param_dist=dict(n_neighbors=k_range,weights=weight_options)   knn=KNeighborsClassifier()#n_iter为随机生成个数rand=RandomizedSearchCV(knn,param_dist,cv=10,scoring='accuracy',                        n_iter=10,random_state=5)   rand.fit(x,y)rand.grid_scores_print('best score:',rand.best_score_)print('best params:',rand.best_params_)