[모두의 딥러닝] 14. 피마 인디언 당뇨병 예측 데이터 분석(pandas, seaborn 라이브러리 사용)

피마 인디언 당뇨병 예측 데이터

- 피마 인디언을 대상으로 당뇨병 발병 여부를 예측

 

 

 

1. 환경 및 데이터 준비

- pandas와 seaborn 라이브러리가 설치되어 있지 않다면 '!pip install 라이브러리'로 먼저 설치

# 필요한 라이브러리 호출
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

 

• read_csv()

: csv 파일을 불러오는 함수

: pandas에 존재

# 피마 인디언 당뇨병 데이터셋을 불러옴
df = pd.read_csv('./data/pima-indians-diabetes3.csv')

 

 

2. 데이터 조사 - 판다스(pandas) 활용

•  판다스(pandas)

: 넘파이의 기능을 포함하면서도 다양한 포맷의 데이터를 다루게 하는 라이브러리

 

• head()

: 데이터의 처음 n줄을 불러옴

: pandas에 존재

# 처음 5줄을 불러옴
df.head(5)

 

• value_counts()

: 각 컬럼의 값이 몇 개씩 있는지 알려줌

: pandas에 존재

# 정상과 당뇨 환자가 각각 몇 명씩인지 조사
df["diabetes"].value_counts()

0    500  # 당뇨에 걸리지 않은 사람
1    268  # 당뇨에 걸린 사람
Name: diabetes, dtype: int64

 

• describe()

: 정보 별 샘플 수(count), 평균(mean), 표준편차(std), 최솟값(min), 백분위 수로 25%, 50%, 75%, 최댓값(max) 표시

: pandas에 존재

# 각 정보별 특징을 좀 더 자세히 출력
df.describe()

 

• corr()

: 각 항목이 어느 정도의 상관 관계를 가지고 있는지 출력

: pandas에 존재

 

 

 

3. 데이터 추출 - 시본(seaborn) 활용

- 시본(seaborn) : Matplotlib을 기반으로 구축되었으며, 데이터 시각화 작업을 더 쉽고 정교하게 만들어주는 라이브러리

 

 

① 각 항목 간 상관관계를 그래프로 표현하기 위해 색상과 크기 결정

colormap = plt.cm.gist_heat   #그래프의 색상 구성을 정함
plt.figure(figsize=(12,12))   #그래프의 크기를 정함

 

② 각 항목 간 상관관계를 그래프로 나타냄

• heatmap()

: 두 항목씩 짝을 지은 후 각각 어떤 패턴으로 변화하는지 관찰

: 두 항목이 전혀 다른 패턴으로 변화하면 0, 서로 비슷한 패턴으로 변화하면 1에 가까운 값 출력

: seaborn에 존재

- vmap : 색상의 밝기 조절하는 변수

- cmap : 미리 정해진 matplotlib 색상의 설정 값 불러오는 변수

# 그래프의 속성을 결정. vmax의 값을 0.5로 지정해 0.5에 가까울수록 밝은색으로 표시
sns.heatmap(df.corr(),linewidths=0.1,vmax=0.5, cmap=colormap, linecolor='white', annot=True)
plt.show()

plasma(공복 혈당 농도), BMI(체질량 지수)가 diabetes와 상관관계 높음

 

③ plasma 기준으로 diabetes(당뇨) 여부가 어떻게 분포되는지 확인

• hist()

: 히스토그램 그려줌

: matplotlib에 존재

- x축 : 가져오게 될 칼럼 지정

- bins : x축을 몇 개의 막대로 쪼개어 보여줄 것인지 정하는 변수

- barstacked : 여러 데이터가 쌓여있는 형태의 막대바 생성하는 옵션

# plasma를 기준으로 각각 정상과 당뇨가 어느 정도 비율로 분포하는지 살펴봄
plt.hist(x=[df.plasma[df.diabetes==0], df.plasma[df.diabetes==1]], bins=30, histtype='barstacked', label=['normal','diabetes'])
plt.legend()

plasma 수치가 높아질수록 당뇨 발병률 증가

 

④ BMI 기준으로 diabetes(당뇨) 여부가 어떻게 분포되는지 확인

# BMI를 기준으로 각각 정상과 당뇨가 어느 정도 비율로 분포하는지 살펴봄
plt.hist(x=[df.bmi[df.diabetes==0], df.bmi[df.diabetes==1]], bins=30, histtype='barstacked', label=['normal','diabetes'])
plt.legend()

BMI 수치 높아질수록 당뇨 발병률 증가

 

 

 

4. 피마 인디언의 당뇨병 예측 실행

- 환경 및 데이터 준비

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# pandas 라이브러리를 불러옴
import pandas as pd

# 피마 인디언 당뇨병 데이터셋을 불러옴 
df = pd.read_csv('./data/pima-indians-diabetes3.csv')

 

• iloc[]

: 데이터 프레임에서 대괄호 안에 정한 범위만큼 가져와 저장

: pandas에 존재

# 세부 정보를 X로 지정
X = df.iloc[:,0:8]
# 당뇨병 여부를 Y로 지정
y = df.iloc[:,8]

 

 

- 모델 구조 설정

model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu', name='Dense_1'))
model.add(Dense(8, activation='relu', name='Dense_2'))
model.add(Dense(1, activation='sigmoid',name='Dense_3'))
model.summary()

• Layer : 층의 이름과 유형 나타냄
• Output Shape : 각 층에 몇 개의 출력이 발생하는지 나타냄(샘플의 수, 속성의 수)
• Param : 총 가중치와 바이어스 수의 합(파라미터 수)를 나타냄
• Trainable params : 학습을 진행하면서 업데이트된 파라미터 수
• Non-trainable params : 업데이트 되지 않은 파라미터 수

 

- 모델 컴파일 및 실행

# 모델 컴파일
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 모델 실행
history=model.fit(X, y, epochs=100, batch_size=5)

 

 

 

'모두의 딥러닝 개정 3판'의 내용과 https://github.com/taehojo/deeplearning의 코드 참고