基于飞桨的简单神经网络搭建—以心脏病的预测为例

本文以心脏病预测为例，介绍基于飞桨搭建简单神经网络的过程。先说明项目背景与数据集，含年龄、性别等特征及是否发病标签。接着处理数据，包括检查缺失值、统计量、相关性，进行独热编码和归一化。随后搭建神经网络，设置超参数，经6轮训练，训练集正确率0.845，测试集0.84，最后展示预测结果，为深度学习入门者提供参考。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

基于飞桨的简单神经网络搭建-以心脏病的预测为例

一、项目背景介绍

随着对机器学习的学习，对更进一步的深度学习产生了浓厚的兴趣，并尝试使用了一些开发套件进行深度学习的尝试，但由于使用的是现成的套件，对神经网络的原理以及过程并不能详细的了解。为了更进一步的学习，笔者尝试手动搭建一个简单的神经网络并训练使用。

二、数据集介绍

本文以心脏病发展分析和预测数据集为例，搭建神经网络对心脏病的发作进行预测。

• 数据集来源：数据集链接；
• 特征含义:
  • age 年龄
  • sex 性别 1=male,0=female
  • cp 胸痛类型(4种) 值1:典型心绞痛，值2:非典型心绞痛，值3:非心绞痛，值4:无症状
  • trbps 静息血压（毫米汞柱）
  • chol 通过 BMI 传感器获取的以 mg/dl 为单位的胆甾醇
  • fbs （空腹血糖 > 120 mg/dl）（1 = 真；0 = 假）
  • restecg 静息心电图结果 值0：正常 值1：ST-T 波异常（T 波倒置和/或 ST 段抬高或压低 > 0.05 mV）
    值2：根据埃斯蒂斯标准显示可能或明确的左心室肥厚
  • thalach 达到的最大心率
  • exng 运动诱发的心绞痛(1=yes;0=no)
  • oldpeak 相对于休息的运动引起的ST值(ST值与心电图上的位置有关)
  • slp 运动高峰ST段的坡度 Value 1: upsloping向上倾斜, Value 2: flat持平, Value 3: downsloping向下倾斜
  • caa 主血管数量 (0-3)
  • thall 一种叫做地中海贫血的血液疾病(3 =正常;6 =固定缺陷;7 =可逆转缺陷)
  • output 是否会发作(0=no,1=yes)'''
• 数据集展示

In [1]

#解压数据集至work文件夹!unzip '/home/aistudio/data/data99207/心脏病发作分析和预测数据集.zip' -d work/ -yimport pandas as pd
data = pd.read_csv('./work/heart.csv')#数据展现data.head()

       

Archive:  /home/aistudio/data/data99207/心脏病发作分析和预测数据集.zip
caution: filename not matched:  -y

       

   age  sex  cp  trtbps  chol  fbs  restecg  thalachh  exng  oldpeak  slp  \
0   63    1   3     145   233    1        0       150     0      2.3    0   
1   37    1   2     130   250    0        1       187     0      3.5    0   
2   41    0   1     130   204    0        0       172     0      1.4    2   
3   56    1   1     120   236    0        1       178     0      0.8    2   
4   57    0   0     120   354    0        1       163     1      0.6    2   

   caa  thall  output  
0    0      1       1  
1    0      2       1  
2    0      2       1  
3    0      2       1  
4    0      2       1

               

三、模型介绍

本文旨在学习手写搭建神经网络的完整过程，所以仅使用了一个简单的神经网络，当需要使用更为复杂的网络时，仅需对网络的定义进行调整。
这里简单介绍一下神经网络的原理，神经网络由众多神经元构成。它可以接受来自其他神经元的输入或者是外部的数据，然后计算一个输出。神经元的计算过程如图所示： 当众多神经元排列连接，构成了神经网络中的层，层与层相互连接构成了最为简单的神经网络，如图所示： 当然只有前向的传播计算是不够的，各个神经元之间需要用损失函数来计算训练结果与实际的误差，再通过优化器（即各种梯度下降的方法）来更新权值，这就是反向传播的过程。这个过程会不断的重复，直到误差低于我们设定好的要求。这时一整个神经网络的计算就完成了。 下图展示了一个MLP的反向传播的过程：        

四、 数据处理

在训练各种模型时，对数据的处理与探索是非常重要的一环，直接影响的模型的训练速度和精度，所以笔者单独列出对数据的处理过程进行展示

• 数据集缺失情况检查

我们实际应用的数据常常会碰到缺失与异常的情况，所以对数据集进行缺失与异常的检查并进一步处理是必要的。
本文由于数据是完整的，并没有展示对缺失值与异常值处理的过程

In [2]

import numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport paddle#数据缺失值检查print(data.isnull().sum())

       

age         0
sex         0
cp          0
trtbps      0
chol        0
fbs         0
restecg     0
thalachh    0
exng        0
oldpeak     0
slp         0
caa         0
thall       0
output      0
dtype: int64

       

• 数据统计量概览

在完成数据的完整性检查后，我们还需要对数据有一个初步的了解，本文只选择了数据的统计量进行简单的查看。

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情 In [3]

#数据统计量展现data.describe()

       

              age         sex          cp      trtbps        chol         fbs  \
count  303.000000  303.000000  303.000000  303.000000  303.000000  303.000000   
mean    54.366337    0.683168    0.966997  131.623762  246.264026    0.148515   
std      9.082101    0.466011    1.032052   17.538143   51.830751    0.356198   
min     29.000000    0.000000    0.000000   94.000000  126.000000    0.000000   
25%     47.500000    0.000000    0.000000  120.000000  211.000000    0.000000   
50%     55.000000    1.000000    1.000000  130.000000  240.000000    0.000000   
75%     61.000000    1.000000    2.000000  140.000000  274.500000    0.000000   
max     77.000000    1.000000    3.000000  200.000000  564.000000    1.000000   

          restecg    thalachh        exng     oldpeak         slp         caa  \
count  303.000000  303.000000  303.000000  303.000000  303.000000  303.000000   
mean     0.528053  149.646865    0.326733    1.039604    1.399340    0.729373   
std      0.525860   22.905161    0.469794    1.161075    0.616226    1.022606   
min      0.000000   71.000000    0.000000    0.000000    0.000000    0.000000   
25%      0.000000  133.500000    0.000000    0.000000    1.000000    0.000000   
50%      1.000000  153.000000    0.000000    0.800000    1.000000    0.000000   
75%      1.000000  166.000000    1.000000    1.600000    2.000000    1.000000   
max      2.000000  202.000000    1.000000    6.200000    2.000000    4.000000   

            thall      output  
count  303.000000  303.000000  
mean     2.313531    0.544554  
std      0.612277    0.498835  
min      0.000000    0.000000  
25%      2.000000    0.000000  
50%      2.000000    1.000000  
75%      3.000000    1.000000  
max      3.000000    1.000000

               

• 数据相关性检查
  对数据进行相关性检查，能让我们初步了解数据集各个特征间的关系，这会对我们选择神经网络的结构有所帮助

In [4]

#相关性热图，以初步查看自变量对结果的影响程度plt.figure(figsize=(10,10))
sns.heatmap(data.corr(),annot=True,fmt='.1f')
plt.show()

       

/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2349: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  if isinstance(obj, collections.Iterator):
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/cbook/__init__.py:2366: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  return list(data) if isinstance(data, collections.MappingView) else data
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/matplotlib/colors.py:101: DeprecationWarning: np.asscalar(a) is deprecated since NumPy v1.16, use a.item() instead
  ret = np.asscalar(ex)

       

<Figure size 720x720 with 2 Axes>

               

• 数据结构处理

在对数据有进一步的了解之后，我们需要对数据的结构进行处理，以方便其对神经网络进行输入，并且需要根据实际的需求，对数据进行增广、压缩、增强等操作，目的是为了模型更为高效。

In [5]

#由于cp,restecg,slp,thall是非顺序型的多分类变量，需进行进行独热编码a = pd.get_dummies(data['cp'], prefix = "cp")
b = pd.get_dummies(data['restecg'], prefix = "restecg")
c = pd.get_dummies(data['slp'], prefix = "slope")
d = pd.get_dummies(data['thall'], prefix = "thall")
data = pd.concat([data,a,b,c,d], axis = 1)
data = data.drop(columns = ['cp','restecg','slp', 'thall'])
data.head()

       

   age  sex  trtbps  chol  fbs  thalachh  exng  oldpeak  caa  output  ...  \
0   63    1     145   233    1       150     0      2.3    0       1  ...   
1   37    1     130   250    0       187     0      3.5    0       1  ...   
2   41    0     130   204    0       172     0      1.4    0       1  ...   
3   56    1     120   236    0       178     0      0.8    0       1  ...   
4   57    0     120   354    0       163     1      0.6    0       1  ...   

   restecg_0  restecg_1  restecg_2  slope_0  slope_1  slope_2  thall_0  \
0          1          0          0        1        0        0        0   
1          0          1          0        1        0        0        0   
2          1          0          0        0        0        1        0   
3          0          1          0        0        0        1        0   
4          0          1          0        0        0        1        0   

   thall_1  thall_2  thall_3  
0        1        0        0  
1        0        1        0  
2        0        1        0  
3        0        1        0  
4        0        1        0  

[5 rows x 24 columns]

                In [6]

#最后对数据集进行划分，并归一化，完成数据预处理from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScaler
X = data.drop(['output'], axis = 1)#删除['outout']特征y = data.output.values
X_train,X_test,y_train,y_test = train_test_split(X,y,random_state=6)  #随机种子6，划分训练集与测试集standardScaler = StandardScaler()
standardScaler.fit(X_train)
X_train = standardScaler.transform(X_train)
X_test = standardScaler.transform(X_test)#对训练集与测试集归一化，使模型能更好的收敛y_train=y_train.reshape(y_train.shape[0],1)
y_test=y_test.reshape(y_test.shape[0],1)#由于在计算模型的评价指标时（x,）的数据会报错，所以需要进行转换

   

五、模型训练

In [7]

#定义网络class Net(paddle.nn.Layer):
    def __init__(self):
        super(Net,self).__init__()
        self.fc1 = paddle.nn.Linear(in_features=23,out_features=100)
        self.fc2 = paddle.nn.Linear(in_features=100,out_features=100)
        self.fc3 = paddle.nn.Linear(in_features=100,out_features=2)#输出向量的维度需要根据分类结果进行选择


    def forward(self,x):
        x=self.fc1(x)
        x=self.fc2(x)
        x=self.fc3(x)        return x
net=Net()

       

W0223 00:07:17.249727  4104 device_context.cc:447] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0223 00:07:17.254323  4104 device_context.cc:465] device: 0, cuDNN Version: 7.6.

        In [26]

#超参数设置# 设置迭代次数epochs = 6#损失函数：交叉熵loss_func = paddle.nn.CrossEntropyLoss()#优化器opt = paddle.optimizer.Adam(learning_rate=0.1,parameters=net.parameters())

    In [29]

#训练程序for epoch in range(epochs):
    all_acc = 0
    for i in range(X_train.shape[0]):
        x = paddle.to_tensor([X_train[i]],dtype="float32")
        y = paddle.to_tensor([y_train[i]],dtype="int64")
        infer_y = net(x)
        loss = loss_func(infer_y,y)
        loss.backward()
        acc= paddle.metric.accuracy(infer_y,y)
        all_acc=all_acc+acc.numpy()
        opt.step()
        opt.clear_gradients#清除梯度
        #print("epoch: {}, loss is: {},acc is:{}".format(epoch, loss.numpy(),acc.numpy()))由于输出过长，这里注释掉了
    print("第{}次正确率为：{}".format(epoch+1,all_acc/i))

       

第1次正确率为：[0.7300885]
第2次正确率为：[0.8053097]
第3次正确率为：[0.8362832]
第4次正确率为：[0.7920354]
第5次正确率为：[0.71681416]
第6次正确率为：[0.84513277]

       

六、模型评估

In [30]

#测试集数据运行net.eval()#模型转换为测试模式all_acc = 0for i in range(X_test.shape[0]):
        x = paddle.to_tensor([X_test[i]],dtype="float32")
        y = paddle.to_tensor([y_test[i]],dtype="int64")
        infer_y = net(x)    # 计算损失与精度
        loss = loss_func(infer_y, y)
        acc = paddle.metric.accuracy(infer_y, y)
        all_acc = all_acc+acc.numpy()    # 打印信息
        #print("loss is: {}, acc is: {}".format(loss.numpy(), acc.numpy()))print("测试集正确率：{}".format(all_acc/i))

       

测试集正确率：[0.84]

        In [20]

#预测结果展示net.eval()
x = paddle.to_tensor([X_train[1]],dtype="float32")
y = paddle.to_tensor([y_train[1]],dtype="int64")
infer_y = net(x)# 计算损失与精度loss = loss_func(infer_y, y)# 打印信息print("X_train[1] is :{}\n y_train[1] is :{}\n predict is {}".format(X_train[1],y_train[1],np.argmax(infer_y.numpy()[0])))

       

X_train[1] is :[-1.48235364 -1.49761715 -1.12562388  0.45148196 -0.382707    0.96548999
  1.46723474 -0.89784884 -0.6964023  -0.92771533 -0.44128998  1.54533482
 -0.29346959  0.99560437 -0.96110812 -0.13392991 -0.27537136 -0.93596638
  1.07791686 -0.0942809  -0.23624977  0.91139737 -0.8030738 ]
 y_train[1] is :[1]
 predict is 1

       

可以看到，模型在训练集上的准确率为0.845，在测试集上的准确率在0.84，并且我们抽取了一个数据进行预测，进行更为直观的展示，模型的预测结果与实际相符。

七、总结

本文对一个项目使用神经网络建模并预测使用的过程进行了一个较为完整的展示，包括了数据探索，数据处理，模型训练，模型评价等，并且在使用神经网络时采取了使用基础api进行组网的方式，希望能对刚了解深度学习并想要尝试的同学有所启发

八、个人介绍

浙江工业大学之江学院 理学院 数据科学与大数据技术专业 2019级 本科生 汪哲瑜

我在AI Studio上获得青铜等级，点亮1个徽章，来互关呀~ https://aistudio.baidu.com/aistudio/personalcenter/thirdview/761690        

以上就是基于飞桨的简单神经网络搭建—以心脏病的预测为例的详细内容，更多请关注其它相关文章！

# 套件  # 海外推广网站推荐哪个  # 优化股票配资网站好吗  # 微网站和微信推广  # 关于网站建设方案文档  # 什么叫视频营销号推广  # 河南网站建设推广方案  # 汝州公司网站如何做推广  # 会员营销推广话术  # 特定关键词排名计划  # 井冈山外文网站推广  # 数据统计  # 地中海  # 官网  # python  # 数据处理  # 数据结构  # 一言  # 中文网  # 率为  # 为例  # type  # fig  # udio  # igs  # red  # 排列  # ai 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： AI大模型火了！科技巨头纷纷加入，多地政策加码加速落地  AI大模型产品集体奔赴高考考场，教育赛道的讯飞星火能赢吗？  城市在采用人工智能方面进展如何？  新华全媒+｜AI：当心，我可能欺骗了你！  "探索Meta发布的Quest MR/VR视频录制与拍摄指南"  有 ARM 和 X86 两个版本，香橙派游戏掌机细节曝光  测试框架-安全和自动驾驶  以计算机视觉技术为基础的库存管理如何改革零售行业  清华系面壁智能开源中文多模态大模型VisCPM ：支持对话文图双向生成，吟诗作画能力惊艳  ​《流浪地球2》里机器人公司的创始人：未来10年，机器人的崛起！  可按用户语气自动回复消息，Zoom 推出基于生成式 AI 的新功能  聚焦人工智能大模型、AIGC 徐汇十余场重磅论坛等你来  AI会帮我们把活干完吗？  面向AI大模型，腾讯云首次完整披露自研星脉高性能计算网络  月薪6万，哪些AI岗位在抢人？  谷歌新安卓机器人logo曝光：头更大了  图灵奖得主Hinton：我已经老了，如何控制比人类更聪明的AI交给你们了  传Meta 2025年推出首款AR眼镜，采用军用级别材料，计划生产1000台  “风乌”气象大模型科学家团队：用AI预报极端天气未来不是梦！  WPS AI 官网上线：可申请体验官资格，支持 Windows、安卓端下载  华为推出全新操作系统HarmonyOS 4，AI和新引擎完美融合  苹果AR头显商标与华为撞车，在中国或改名  重塑未来生活的五项技术趋势  微软Bing聊天机器人电脑端即将支持语音提问  京东 AI 大模型官宣 7 月 13 日发布，还有重磅合作  鹅厂机器狗抢起真狗「饭碗」！会撒欢儿做游戏，遛人也贼6  即将到来：AI婚纱设计软件实际测试，人工智能即将开创婚纱设计新纪元  读创正式上线“读创AI聊”功能  严打“黑飞”，无人机检测反制设备护航大运会净空安全  中科院自研新一代 AI 大模型“紫东太初 2.0”问世  聚焦WAIC｜AI技术支撑大模型探索未来  五个出色的人工智能应用实例  MiracleVision视觉大模型功能介绍  纪录片 《寻找人工智能》全集1080P超清  微幼科技晨检机器人与人工晨检相比，有何优势  如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略  特斯拉人形机器人将于 7 月亮相上海 2025 世界人工智能大会  北京公司实施AI技术，推行4.5天工作制，抵制996文化，提升员工工作幸福感  Goodnotes 6推出，带来多项全新AI功能，让电子笔记更智能  OpenAI更新GPT-4等模型，新增API函数调用，价格最高降75%  Meta 发布 Voicebox AI 模型：可生成音频信息，用于 NPC 对话等  生成式人工智能来了，如何保护未成年人？ | 社会科学报  人手一部「*」！视频版Midjourney免费可用，一句话秒生酷炫大片惊呆网友  【澎湃原动力】人工智能产业协同创新中心：全产业链资源在这里汇聚  Gartner发布中国企业人工智能趋势浪潮3.0  无人机自主巡检为高海拔输电线路运维添“新彩”  金山办公宣布与英伟达团队合作，加速WPS AI服务  万兴播爆桌面端上线，支持AI数字人搜索、视频编辑等功能  VR健身应用《FitXR》将取消Quest 1端会员服务  AI技术加速迭代：周鸿祎视角下的大模型战略