基于飞桨的简单神经网络搭建—以心脏病的预测为例

数码系统

相机 win10

测评 win11

手机智车

华为 Tesla

小米理想

苹果蔚来

游戏软件

LOL 抖音

原神微信

当前位置：首页

基于飞桨的简单神经网络搭建—以心脏病的预测为例

热心网友时间：2025-07-24

转载

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。

基于飞桨的简单神经网络搭建—以心脏病的预测为例 - 游乐网

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。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

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=femalecp 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 pddata = pd.read_csv('./work/heart.csv')#数据展现data.head()

登录后复制

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

登录后复制

   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

登录后复制

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：基于飞桨的简单神经网络搭建—以心脏病的预测为例 - 游乐网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：基于飞桨的简单神经网络搭建—以心脏病的预测为例 - 游乐网

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())

登录后复制

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

登录后复制数据统计量概览

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。

In [3]

#数据统计量展现data.describe()

登录后复制

              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

登录后复制数据相关性检查
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()

登录后复制

/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)

登录后复制

登录后复制数据结构处理

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()

登录后复制

   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]

登录后复制 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 StandardScalerX = data.drop(['output'], axis = 1)#删除['outout']特征y = data.output.valuesX_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

登录后复制

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 xnet=Net()

登录后复制

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: 10.1W0223 00:07:17.254323  4104 device_context.cc:465] device: 0, cuDNN Version: 7.6.

登录后复制 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())

登录后复制 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))

登录后复制

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]

登录后复制

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))

登录后复制

测试集正确率：[0.84]

登录后复制 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])))

登录后复制

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

登录后复制

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。