數據挖掘流程

數據集

心臟病預測

1. 進入Designer頁面。

   1. 登錄PAI控制臺。

   2. 在左側導航欄單擊工作空間列表，在工作空間列表頁面中單擊待操作的工作空間名稱，進入對應的工作空間。

   3. 在工作空間頁面的左側導航欄選擇模型開發與訓練 > 可視化建模（Designer），進入Designer頁面。

2. 構建工作流。

   1. 在Designer頁面，單擊預置模板頁簽。

   2. 在模板列表的心臟病預測案例區域，單擊創建。

   3. 在新建工作流對話框，配置參數（可以全部使用默認參數）。

      其中：工作流數據存儲配置為OSS Bucket路徑，用于存儲工作流運行中產出的臨時數據和模型。

   4. 單擊確定。

      您需要等待大約十秒鐘，工作流可以創建成功。

   5. 在工作流列表，選擇心臟病預測案例工作流，單擊進入工作流。

   6. 系統根據預置的模板，自動構建工作流，如下圖所示。

      

      區域	描述
      ①	數據預處理，主要對數據進行去噪、缺失值填充及類型變換操作。因為每個樣本只會患病或健康，所以心臟病預測可以歸屬于分類問題。本工作流的輸入數據包括14個特征列和1個目標列，在數據預處理過程中，需要根據每個字段的含義將字符類型轉化為數值類型。其中： 二值類數據：以sex字段為例，其取值為female或male，可以使用0表示female，1表示male。 多值類數據：以cp字段為例，該參數表示胸部疼痛感，可以將疼痛感由輕到重依次映射為0～3的數值。 數據預處理的SQL腳本示例如下。 select age, (case sex when 'male' then 1 else 0 end) as sex, (case cp when 'angina' then 0 when 'notang' then 1 else 2 end) as cp, trestbps, chol, (case fbs when 'true' then 1 else 0 end) as fbs, (case restecg when 'norm' then 0 when 'abn' then 1 else 2 end) as restecg, thalach, (case exang when 'true' then 1 else 0 end) as exang, oldpeak, (case slop when 'up' then 0 when 'flat' then 1 else 2 end) as slop, ca, (case thal when 'norm' then 0 when 'fix' then 1 else 2 end) as thal, (case status when 'sick' then 1 else 0 end) as ifHealth from ${t1};
      ②	特征工程主要包括特征的衍生及尺度變化等功能。本工作流首先通過類型轉換組件將輸入特征轉換為DOUBLE類型（因為邏輯回歸模型的輸入數據必須為DOUBLE類型），然后使用過濾式特征選擇組件判斷每個特征對于結果的影響（通過信息熵和基尼系數反映其影響）。同時，使用歸一化組件將每個特征的數值范圍轉換為0~1，從而去除量綱對結果的影響，其公式為result=(val-min)/(max-min)。
      ③	模型訓練和預測： 使用拆分組件將數據集按照7:3分為訓練數據集和預測數據集。 使用邏輯回歸二分類組件訓練模型。 說明 如果您需要導出PMML模型文件，在該組件的字段設置頁簽，需要選中是否生成PMML復選框。然后單擊空白畫布，在該工作流頁面的工作流屬性頁簽，配置工作流數據存儲路徑。 將模型和預測數據集輸入至預測組件，進行結果預測。
      ④	使用混淆矩陣和二分類評估組件進行模型評估。

3. 運行工作流并查看輸出結果。

   1. 單擊畫布上方的。

   2. 工作流運行結束后，右鍵單擊畫布中的邏輯回歸二分類，在快捷菜單，單擊模型選項 > 導出PMML，即可導出訓練完成的心臟病預測模型。

   3. 右鍵單擊畫布中的預測，在快捷菜單，單擊查看數據 > 預測結果輸出，即可查看模型預測結果。

4. 查看模型效果。

   1. 右鍵單擊畫布中的二分類評估，在快捷菜單，單擊可視化分析。

   2. 在二分類評估對話框，單擊指標數據頁簽，即可查看模型評估指標數據。

      其中AUC值表示該工作流模型的預測準確率達到了90%以上。

   3. 右鍵單擊畫布中的混淆矩陣，在快捷菜單，單擊可視化分析。

   4. 在混淆矩陣對話框，單擊統計信息頁簽，即可查看模型準確率等信息。