糖尿病人的血糖值预测
通过糖尿病人的临床数据预测其血糖值
Link: https://www.kaggle.com/c/kobe-bryant-shot-selection
题目描述
糖尿病是一组以高血糖为特征的代谢性疾病。高血糖则是由于胰岛素分泌缺陷或其生物作用受损，或两者兼有引起。糖尿病时长期存在的高血糖，导致各种组织，特别是眼、肾、心脏、血管、神经的慢性损害、功能障碍。
目前，糖尿病已成为第三大严重危害人类健康的疾病。也是全世界非常关注的问题之一，同时导致糖尿病并发症有很多方面的原因，例如危害人的心、脑、肾、血管、神经、皮肤等。据有关调查发现，我国的糖尿病是最早，最多，也是最严重的。而且病程较长的在不同程度上都存有并发症。
糖尿病有一个明显的特征，那就是血糖高。血糖高是糖尿病吗?其实不然，血糖高不一定是糖尿病，但是糖尿病的前兆，经常出现血糖高的症状。所以，血糖值的监测和观察对于糖尿病的诊治十分重要。
本题提供了一批关于糖尿病人的各种临床数据指标，这些指标都有很强的医学专业性。请你通过这些数据，找寻哪些指标和血糖有关，并预测一些病人的血糖值。
小提示
- 数据中存在缺失值，对于不同的缺失值，如何处理是一个需要谨慎思考的环节。
- 处理完缺失值后，可以通过相关系数矩阵选择出和血糖值有关的特征指标。
- 利用这些特征，选择不同的回归模型进行效果的比较，如使用神经网络、kNN、随机森林等。
- 在选择回归模型之前，也可以利用原始特征，尝试构造出一些有利于预测的高阶特征。
先修技能
术语解释
- Random Forest(随机森林)：指的是利用多棵树对样本进行训练并预测的一种分类器。在机器学习领域，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
- KFold(K折交叉验证)：在机器学习中，将数据集A分为训练集（training set）B和测试集（test set）C，在样本量不充足的情况下，为了充分利用数据集对算法效果进行测试，将数据集A随机分为k个包，每次将其中一个包作为测试集，剩下k-1个包作为训练集进行训练。
- 相关系数矩阵：相关矩阵也叫相关系数矩阵，其是由矩阵各列间的相关系数构成的，也就是说，相关矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。通过相关系数矩阵，可以找出和Label有关的Feature。
输入格式
数据分为训练数据和测试数据，分别保存在train.csv和test.csv两个文件中。
其中训练数据主要包括5642条纪录，共有42列，包含了各种原始的医学指标，其中“血糖”是需要预测的信息。
测试数据主要包括1000条数据，其中不包含“血糖”，这是需要预测提交的结果。
注意，训练数据和测试数据都有缺失值存在！
输出格式
直接按test集顺序输出对应的血糖值，不需要加任何表头，详见sample_submission.csv。
4.88
5.04
2.01
etc...
评价
对于提交的文件submission.csv，我们将使用均方误差(Mean Squared Error)作为作为评价指标，公式如下：
$$ Mean\ Square\ Error = \frac{\sum_{i = 1}^{n}(y_i-\widehat{y}_i)^2}{n}
$$
其中$$y_i$$代表测试数据集中第i行的真实血糖值， $$\widehat{y}_i$$代用户提交的第i行的血糖值，$$n$$是行数。这个最终的结果越小说明预测越准确。
数据
测评配置环境
python
pip install pandas
pip install scikit-learn
测评代码
import pandas as pd
from sklearn.metrics import mean_squared_error
answer = pd.read_csv("./correct_submission.csv", header=None)
pred = pd.read_csv("./predict_submission.csv", header=None)
loss = mean_squared_error(answer, pred)
# loss越小越好，最小为0，一般不会超过100，几乎不会超10000，除非pred['血糖']超过了100，血糖值超过了100？？？！！！