研究問題3：

收入和醫療保險之間有關聯嗎？

研究問題4：

吸煙，飲酒，膽固醇，血壓，體重和中風之間是否有任何關係？最終，我想看看是否可以通過上述變量預測中風。

第3部分：探索性數據分析

研究問題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')

點擊標題查閱往期內容

R語言邏輯回歸(Logistic Regression)、回歸決策樹、隨機森林信用卡違約分析信貸數據集

左右滑動查看更多

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

以上三個數字顯示了過去30天內男性和女性對身體，精神和健康狀況不佳的天數做出反應的數據分布。我們可以看到，女性受訪者比男性受訪者要多得多。

研究問題2：

我試圖找出人們在不同月份對健康狀況的反應是否不同。例如，人們是否更有可能說自己在春季或夏季身體健康？

研究問題3：

一般而言，高收入受訪者比低收入受訪者更有可能獲得醫療保健。

研究問題4：

為了回答這個問題，我將使用以下變量：

• smoke100：抽至少100支香煙
• avedrnk2：過去30天每天平均含酒精飲料
• bphigh4：曾經血壓過高
• tellhi2：高膽固醇血症
• weight2：報告的磅數
• cvdstrk3：曾經被診斷為中風

首先，將上述變量轉換為數字，並查看這些數字變量之間的相關性。

corr.matrix <- cor(selected_brfss)

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

似乎沒有任何兩個數字變量具有很強的相關性。

Logistic回歸預測中風

將答案「是，但女性僅在懷孕期間告知」和「告訴臨界點或高血壓前」回答為「是」。

將「 NA」值替換為「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')

平均替換「 NA」值。

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

##[1] 2.209905

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

看一下將用於建模的數據。

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

二進位結果。

在整理和清理數據之後，現在我們可以擬合模型。

Logistic回歸模型擬合

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

解釋我的邏輯回歸模型的結果：

所有變量均具有統計學意義。

• 所有其他變量都相等，被告知血壓升高，更可能發生中風。
• 預測變量的負係數-tellhi2No表示，所有其他變量相等，沒有被告知血液中膽固醇水平較高，則發生中風的可能性較小。
• 每單位重量改變，具有衝程（相對於無衝程）的對數幾率降低0.00096。
• 至少抽100支香煙不抽煙，中風的可能性較小。
• 在過去30天內，每天平均含酒精飲料增加1個單位，中風的對數幾率降低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個變量時偏差的下降。添加bphigh4，tellhi2，smoke100會大大減少殘留偏差。儘管其他變量weight2和avedrnk2都具有較低的p值，但它們似乎對模型的改進較少。

評估模型的預測能力``

##[1] "Accuracy 0.961296978629329

測試裝置上的0.96精度是非常好的結果。

繪製ROC曲線並計算AUC（曲線下的面積）

auc

##[1] 0.7226642

最後一點，當我們分析健康狀況監測數據時，我們必須意識到自我報告的患病率可能會有偏差，因為受訪者可能不知道其風險狀況。因此，為了獲得更精確的估計，研究人員正在使用實驗室測試以及自我報告的數據。

點擊文末 「閱讀原文」

獲取全文完整代碼數據資料。

本文選自《R語言可視化探索BRFSS數據並邏輯回歸Logistic回歸預測中風》。

點擊標題查閱往期內容

PYTHON用戶流失數據挖掘：建立邏輯回歸、XGBOOST、隨機森林、決策樹、支持向量機、樸素貝葉斯和KMEANS聚類用戶畫像

Python對商店數據進行lstm和xgboost銷售量時間序列建模預測分析

PYTHON集成機器學習：用ADABOOST、決策樹、邏輯回歸集成模型分類和回歸和網格搜索超參數優化

R語言集成模型：提升樹boosting、隨機森林、約束最小二乘法加權平均模型融合分析時間序列數據

Python對商店數據進行lstm和xgboost銷售量時間序列建模預測分析

R語言用主成分PCA、 邏輯回歸、決策樹、隨機森林分析心臟病數據並高維可視化

R語言基於樹的方法：決策樹，隨機森林，Bagging，增強樹

R語言用邏輯回歸、決策樹和隨機森林對信貸數據集進行分類預測

spss modeler用決策樹神經網絡預測ST的股票

R語言中使用線性模型、回歸決策樹自動組合特徵因子水平

R語言中自編基尼係數的CART回歸決策樹的實現

R語言用rle，svm和rpart決策樹進行時間序列預測

python在Scikit-learn中用決策樹和隨機森林預測NBA獲勝者

python中使用scikit-learn和pandas決策樹進行iris鳶尾花數據分類建模和交叉驗證

R語言里的非線性模型：多項式回歸、局部樣條、平滑樣條、 廣義相加模型GAM分析

R語言用標準最小二乘OLS，廣義相加模型GAM ，樣條函數進行邏輯回歸LOGISTIC分類

R語言ISLR工資數據進行多項式回歸和樣條回歸分析

R語言中的多項式回歸、局部回歸、核平滑和平滑樣條回歸模型

R語言用泊松Poisson回歸、GAM樣條曲線模型預測騎自行車者的數量

R語言分位數回歸、GAM樣條曲線、指數平滑和SARIMA對電力負荷時間序列預測R語言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進行回歸、分類和動態可視化

如何用R語言在機器學習中建立集成模型？

R語言ARMA-EGARCH模型、集成預測算法對SPX實際波動率進行預測在python 深度學習Keras中計算神經網絡集成模型R語言ARIMA集成模型預測時間序列分析R語言基於Bagging分類的邏輯回歸(Logistic Regression)、決策樹、森林分析心臟病患者

R語言基於樹的方法：決策樹，隨機森林，Bagging，增強樹

R語言基於Bootstrap的線性回歸預測置信區間估計方法

R語言使用bootstrap和增量法計算廣義線性模型（GLM）預測置信區間

R語言樣條曲線、決策樹、Adaboost、梯度提升(GBM)算法進行回歸、分類和動態可視化

Python對商店數據進行lstm和xgboost銷售量時間序列建模預測分析

R語言隨機森林RandomForest、邏輯回歸Logisitc預測心臟病數據和可視化分析

R語言用主成分PCA、 邏輯回歸、決策樹、隨機森林分析心臟病數據並高維可視化

Matlab建立SVM，KNN和樸素貝葉斯模型分類繪製ROC曲線

matlab使用分位數隨機森林（QRF）回歸樹檢測異常值