R语言可视化探索BRFSS数据并逻辑回归Logistic回归预测中风|附代码数据

研究问题3：

收入和医疗保险之间有关联吗？

研究问题4：

吸烟，饮酒，胆固醇，血压，体重和中风之间是否有任何关系？最终，我想看看是否可以通过上述变量预测中风。

第3部分：探索性数据分析

研究问题1：

ggplot(aes(x=physhlth, fill=sex), data = brfss2013[ ! is.na(brfss2013 $ sex), ]) +

geom_histogram(bins=30, position = position_dodge()) + ggtitle('Number of Days Physical Health not Good in the Past 30 Days')

点击标题查阅往期内容

R语言逻辑回归(Logistic Regression)、回归决策树、随机森林信用卡违约分析信贷数据集

左右滑动查看更多

01

02

03

04

ggplot(aes(x=menthlth, fill=sex), data=brfss2013[ ! is.na(brfss2013 $ sex), ]) +

geom_histogram(bins=30, position = position_dodge()) + ggtitle('Number of Days Mental Health not Good in the Past 30 Days')

ggplot(aes(x=poorhlth, fill=sex), data=brfss2013[ ! is.na(brfss2013 $ sex), ]) +

geom_histogram(bins=30, position = position_dodge()) + ggtitle('Number of Days with Poor Physical Or Mental Health in the Past 30 Days')

summary(brfss2013 $ sex)

## Male Female NA's

##201313 290455 7

以上三个数字显示了过去30天内男性和女性对身体，精神和健康状况不佳的天数做出反应的数据分布。我们可以看到，女性受访者比男性受访者要多得多。

研究问题2：

我试图找出人们在不同月份对健康状况的反应是否不同。例如，人们是否更有可能说自己在春季或夏季身体健康？

研究问题3：

一般而言，高收入受访者比低收入受访者更有可能获得医疗保健。

研究问题4：

为了回答这个问题，我将使用以下变量：

• smoke100：抽至少100支香烟
• avedrnk2：过去30天每天平均含酒精饮料
• bphigh4：曾经血压过高
• tellhi2：高胆固醇血症
• weight2：报告的磅数
• cvdstrk3：曾经被诊断为中风

首先，将上述变量转换为数字，并查看这些数字变量之间的相关性。

corr.matrix <- cor(selected_brfss)

corrplot(corr.matrix, main="\n\nCorrelation Plot of Smoke, Alcohol, Blood pressure, Cholesterol, and Weight", method="number")

似乎没有任何两个数字变量具有很强的相关性。

Logistic回归预测中风

将答案“是，但女性仅在怀孕期间告知”和“告诉临界点或高血压前”回答为“是”。

将“ NA”值替换为“否”。

stroke $ bphigh4 <- replace(stroke $ bphigh4, which(is.na(stroke $ bphigh4)), "No")

stroke $ toldhi2 <- replace(stroke $ toldhi2, which(is.na(stroke $ toldhi2)), "No")

stroke $ cvdstrk3 <- replace(stroke $ cvdstrk3, which(is.na(stroke $ cvdstrk3)), "No")

stroke $ smoke100 <- replace(stroke $ smoke100, which(is.na(stroke $ smoke100)), 'No')

平均替换“ NA”值。

mean(stroke $ avedrnk2,na.rm = T)

##[1] 2.209905

stroke $ avedrnk2 <- replace(stroke $ avedrnk2, which(is.na(stroke $ avedrnk2)), 2)

看一下将用于建模的数据。

head(stroke)

summary(stroke)

## bphigh4 toldhi2 cvdstrk3 weight2 smoke100 avedrnk2

##1 Yes Yes No 154 Yes 2

##2 No No No 30 No 2

##3 No No No 63 Yes 4

##4 No Yes No 31 No 2

##5 Yes No No 169 Yes 2

##6 Yes Yes No 128 No 2

## bphigh4 toldhi2 cvdstrk3 weight2 smoke100

## No :284107 Yes:183501 Yes: 20391 Min. : 1.00 Yes:215201

## Yes:207668 No :308274 No :471384 1st Qu.: 43.00 No :276574

## Median : 73.00

## Mean : 80.22

## 3rd Qu.:103.00

## Max. :570.00

## avedrnk2

## Min. : 1.000

## 1st Qu.: 2.000

## Median : 2.000

## Mean : 2.099

## 3rd Qu.: 2.000

## Max. :76.000

二进制结果。

在整理和清理数据之后，现在我们可以拟合模型。

Logistic回归模型拟合

summary(model)

##Call:

##glm(formula = cvdstrk3 ~ ., family = binomial(link = "logit"),

## data = train)

##Deviance Residuals:

## Min 1Q Median 3Q Max

##-0.5057 -0.3672 -0.2109 -0.1630 3.2363

##Coefficients:

## Estimate Std. Error z value Pr(>|z|)

##(Intercept) -3.2690106 0.0268240 -121.869 < 2e-16 ***

##bphigh4Yes 1.3051850 0.0193447 67.470 < 2e-16 ***

##toldhi2No -0.5678048 0.0171500 -33.108 < 2e-16 ***

##weight2 -0.0009628 0.0001487 -6.476 9.41e-11 ***

##smoke100No -0.3990598 0.0163896 -24.348 < 2e-16 ***

##avedrnk2 -0.0274511 0.0065099 -4.217 2.48e-05 ***

##---

##Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##(Dispersion parameter for binomial family taken to be 1)

## Null deviance: 136364 on 389999 degrees of freedom

##Residual deviance: 126648 on 389994 degrees of freedom

##AIC: 126660

##Number of Fisher Scoring iterations: 6

解释我的逻辑回归模型的结果：

所有变量均具有统计学意义。

• 所有其他变量都相等，被告知血压升高，更可能发生中风。
• 预测变量的负系数-tellhi2No表示，所有其他变量相等，没有被告知血液中胆固醇水平较高，则发生中风的可能性较小。
• 每单位重量改变，具有冲程（相对于无冲程）的对数几率降低0.00096。
• 至少抽100支香烟不抽烟，中风的可能性较小。
• 在过去30天内，每天平均含酒精饮料增加1个单位，中风的对数几率降低0.027。

anova(model, test="Chisq")

##Analysis of Deviance Table

##Model: binomial, link: logit

##Response: cvdstrk3

##Terms added sequentially (first to last)

## Df Deviance Resid. Df Resid. Dev Pr(>Chi)

##NULL 389999 136364

##bphigh4 1 7848.6 389998 128516 < 2.2e-16 ***

##toldhi2 1 1230.1 389997 127285 < 2.2e-16 ***

##weight2 1 33.2 389996 127252 8.453e-09 ***

##smoke100 1 584.5 389995 126668 < 2.2e-16 ***

##avedrnk2 1 19.9 389994 126648 7.958e-06 ***

##---

##Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

分析偏差表，可以看到一次添加每个变量时偏差的下降。添加bphigh4，tellhi2，smoke100会大大减少残留偏差。尽管其他变量weight2和avedrnk2都具有较低的p值，但它们似乎对模型的改进较少。

评估模型的预测能力``

##[1] "Accuracy 0.961296978629329

测试装置上的0.96精度是非常好的结果。

绘制ROC曲线并计算AUC（曲线下的面积）

auc

##[1] 0.7226642

最后一点，当我们分析健康状况监测数据时，我们必须意识到自我报告的患病率可能会有偏差，因为受访者可能不知道其风险状况。因此，为了获得更精确的估计，研究人员正在使用实验室测试以及自我报告的数据。

点击文末 “阅读原文”

获取全文完整代码数据资料。

本文选自《R语言可视化探索BRFSS数据并逻辑回归Logistic回归预测中风》。

点击标题查阅往期内容

PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯和KMEANS聚类用户画像

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

PYTHON集成机器学习：用ADABOOST、决策树、逻辑回归集成模型分类和回归和网格搜索超参数优化

R语言集成模型：提升树boosting、随机森林、约束最小二乘法加权平均模型融合分析时间序列数据

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化

R语言基于树的方法：决策树，随机森林，Bagging，增强树

R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测

spss modeler用决策树神经网络预测ST的股票

R语言中使用线性模型、回归决策树自动组合特征因子水平

R语言中自编基尼系数的CART回归决策树的实现

R语言用rle，svm和rpart决策树进行时间序列预测

python在Scikit-learn中用决策树和随机森林预测NBA获胜者

python中使用scikit-learn和pandas决策树进行iris鸢尾花数据分类建模和交叉验证

R语言里的非线性模型：多项式回归、局部样条、平滑样条、 广义相加模型GAM分析

R语言用标准最小二乘OLS，广义相加模型GAM ，样条函数进行逻辑回归LOGISTIC分类

R语言ISLR工资数据进行多项式回归和样条回归分析

R语言中的多项式回归、局部回归、核平滑和平滑样条回归模型

R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量

R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测R语言样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化

如何用R语言在机器学习中建立集成模型？

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测在python 深度学习Keras中计算神经网络集成模型R语言ARIMA集成模型预测时间序列分析R语言基于Bagging分类的逻辑回归(Logistic Regression)、决策树、森林分析心脏病患者

R语言基于树的方法：决策树，随机森林，Bagging，增强树

R语言基于Bootstrap的线性回归预测置信区间估计方法

R语言使用bootstrap和增量法计算广义线性模型（GLM）预测置信区间

R语言样条曲线、决策树、Adaboost、梯度提升(GBM)算法进行回归、分类和动态可视化

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

R语言随机森林RandomForest、逻辑回归Logisitc预测心脏病数据和可视化分析

R语言用主成分PCA、 逻辑回归、决策树、随机森林分析心脏病数据并高维可视化

Matlab建立SVM，KNN和朴素贝叶斯模型分类绘制ROC曲线

matlab使用分位数随机森林（QRF）回归树检测异常值