Datawhale干货
贡献者：牧小熊，骆秀韬，司玉鑫，潘姝宇等
这是一份简易的竞赛教程，我们的目的是帮助同学们迈出 AI 训练大师之路的第一步。数据挖掘中会有很多需要学习的地方，建议入门的同学可以暂时不用着急去弄懂各个代码的原理，先跑通代码，然后看代码中的涉及的知识点去查询相关资料进行学习，这样能让你学习更加有目标性，也容易找到学习的乐趣。千里之行，始于足下，从这里，开启你的 AI 学习之旅吧！
—— 贡献者：牧小熊、骆秀韬
一、准备步骤1.1 平台注册与比赛报名赛事链接：
https://challenge.xfyun.cn/topic/info?type=diabetes&ch=ds22-dw-gzh02注册（记得填写个人信息）点击页面右上角：注册
填写个人信息，注册成功
点击报名参赛，显示成功报名点击：报名参赛
报名成功
1.2 数据下载数据获取
官网下载数据：下载数据及实名认证。
详细操作可查看：https://xj15uxcopw.feishu.cn/docx/doxcn11gwo7cEuAXWhCrDld4Inb请把数据文件和代码文件放在同一个文件夹下，保证正常运行1.3 参考资料python环境的搭建请参考：
Mac设备：Mac上安装Anaconda最全教程 https://zhuanlan.zhihu.com/p/350828057Windows设备：Anaconda超详细安装教程
https://blog.csdn.net/fan18317517352/article/details/123035625
二、实践思路本次比赛是一个数据挖掘赛，需要选手通过训练集数据构建模型，然后对验证集数据进行预测，预测结果进行提交。
本题的任务是构建一种模型，该模型能够根据患者的测试数据来预测这个患者是否患有糖尿病。这种类型的任务是典型的二分类问题（患有糖尿病 / 不患有糖尿病），模型的预测输出为 0 或 1 （患有糖尿病：1，未患有糖尿病：0）
机器学习中，关于分类任务我们一般会想到逻辑回归、决策树等算法，在这个 Baseline 中，我们尝试使用决策树来构建我们的模型。我们在解决机器学习问题时，一般会遵循以下流程：
2.1 代码实现以下代码，请在jupyter notbook或python编译器环境中实现
代码语言：javascript复制#安装相关依赖库 如果是windows系统，cmd命令框中输入pip安装，参考上述环境配置
#!pip install sklearn
#!pip install pandas
#---------------------------------------------------
#导入库
#----------------数据探索----------------
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
#数据预处理
data1=pd.read_csv('比赛训练集.csv',encoding='gbk')
data2=pd.read_csv('比赛测试集.csv',encoding='gbk')
#label标记为-1
data2['患有糖尿病标识']=-1
#训练集和测试机合并
data=pd.concat([data1,data2],axis=0,ignore_index=True)
#将舒张压特征中的缺失值填充为-1
data['舒张压']=data['舒张压'].fillna(-1)
#----------------特征工程----------------
"""
将出生年份换算成年龄
"""
data['年龄']=2022-data['出生年份'] #换成年龄
"""
人体的成人体重指数正常值是在18.5-24之间
低于18.5是体重指数过轻
在24-27之间是体重超重
27以上考虑是肥胖
高于32了就是非常的肥胖。
"""
def BMI(a):
if a<18.5:
return 0
elif 18.5<=a<=24:
return 1
elif 24 return 2 elif 27 return 3 else: return 4 data['BMI']=data['体重指数'].apply(BMI) #糖尿病家族史 """ 无记录 叔叔或者姑姑有一方患有糖尿病/叔叔或姑姑有一方患有糖尿病 父母有一方患有糖尿病 """ def FHOD(a): if a=='无记录': return 0 elif a=='叔叔或者姑姑有一方患有糖尿病' or a=='叔叔或姑姑有一方患有糖尿病': return 1 else: return 2 data['糖尿病家族史']=data['糖尿病家族史'].apply(FHOD) """ 舒张压范围为60-90 """ def DBP(a): if 0<=a<60: return 0 elif 60<=a<=90: return 1 elif a>90: return 2 else: return a data['DBP']=data['舒张压'].apply(DBP) #------------------------------------ #将处理好的特征工程分为训练集和测试集，其中训练集是用来训练模型，测试集用来评估模型准确度 #其中编号和患者是否得糖尿病没有任何联系，属于无关特征予以删除 train=data[data['患有糖尿病标识'] !=-1] test=data[data['患有糖尿病标识'] ==-1] train_label=train['患有糖尿病标识'] train=train.drop(['编号','患有糖尿病标识','出生年份'],axis=1) test=test.drop(['编号','患有糖尿病标识','出生年份'],axis=1) #----------------模型训练---------------- model = DecisionTreeClassifier() model.fit(train, train_label) y_pre=model.predict(test) y_pre #----------------结果输出---------------- result=pd.read_csv('提交示例.csv') result['label']=y_pre result.to_csv('result-de.csv',index=False) 2.2 结果提交在提交结果处提交，提交 预测结果.csv（程序生成的CSV文件），查看自己的成绩排名 选择刚才生成的result.csv点击提交 点击我的成绩查看结果 参与教程评测贡献的高校名单