原文鏈接：http://tecdat.cn/?p=23848

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

數(shù)據(jù)簡(jiǎn)介

該數(shù)據(jù)集最初來(lái)自國(guó)家糖尿病/消化/腎臟疾病研究所。數(shù)據(jù)集的目標(biāo)是基于數(shù)據(jù)集中包含的某些診斷測(cè)量來(lái)診斷性的預(yù)測(cè) 患者是否患有糖尿病。從較大的數(shù)據(jù)庫(kù)中選擇這些實(shí)例有幾個(gè)約束條件。尤其是，這里的所有患者都是印第安至少21歲的女性。數(shù)據(jù)集由多個(gè)醫(yī)學(xué)預(yù)測(cè)變量和一個(gè)目標(biāo)變量組成Outcome。預(yù)測(cè)變量包括患者的懷孕次數(shù)、BMI、胰島素水平、年齡等。（查看文末了解獲取方式)

數(shù)據(jù)詳情

數(shù)據(jù)格式

csv

字段

懷孕次數(shù)

葡萄糖?

血壓 (mm Hg)?

皮層厚度 (mm)?
胰島素 2小時(shí)血清胰島素（mu U / ml
體重指數(shù) （體重/身高）^2
糖尿病譜系功能?
年齡 （歲）?
類標(biāo)變量 （0或1）

大小

23.3kb

樣本量

768

數(shù)據(jù)瀏覽

以前5行數(shù)據(jù)為例，我們來(lái)預(yù)覽一下：

變量探索：

數(shù)據(jù)獲取

在下面公眾號(hào)后臺(tái)回復(fù)“糖尿病患者數(shù)據(jù)”，可獲取完整數(shù)據(jù)。

點(diǎn)擊標(biāo)題查閱相關(guān)文章

PYTHON用決策樹分類預(yù)測(cè)糖尿病和可視化實(shí)例

左右滑動(dòng)查看更多

01

02

03

04

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

Python決策樹、隨機(jī)森林、樸素貝葉斯、KNN（K-最近鄰居）分類分析銀行拉新活動(dòng)挖掘潛在貸款客戶

R語(yǔ)言邏輯回歸(Logistic Regression)、回歸決策樹、隨機(jī)森林信用卡違約分析信貸數(shù)據(jù)集

R語(yǔ)言對(duì)用電負(fù)荷時(shí)間序列數(shù)據(jù)進(jìn)行K-medoids聚類建模和GAM回歸

R語(yǔ)言進(jìn)行支持向量機(jī)回歸SVR和網(wǎng)格搜索超參數(shù)優(yōu)化

R語(yǔ)言貝葉斯MCMC：GLM邏輯回歸、Rstan線性回歸、Metropolis Hastings與Gibbs采樣算法實(shí)例

在R語(yǔ)言中實(shí)現(xiàn)Logistic邏輯回歸

R語(yǔ)言邏輯回歸、Naive Bayes貝葉斯、決策樹、隨機(jī)森林算法預(yù)測(cè)心臟病

R語(yǔ)言用Rcpp加速M(fèi)etropolis-Hastings抽樣估計(jì)貝葉斯邏輯回歸模型的參數(shù)

R語(yǔ)言邏輯回歸logistic模型分析泰坦尼克titanic數(shù)據(jù)集預(yù)測(cè)生還情況

R語(yǔ)言用lme4多層次（混合效應(yīng)）廣義線性模型（GLM），邏輯回歸分析教育留級(jí)調(diào)查數(shù)據(jù)

R語(yǔ)言隨機(jī)森林RandomForest、邏輯回歸Logisitc預(yù)測(cè)心臟病數(shù)據(jù)和可視化分析

R語(yǔ)言基于Bagging分類的邏輯回歸(Logistic Regression)、決策樹、森林分析心臟病患者

R語(yǔ)言邏輯回歸（Logistic回歸）模型分類預(yù)測(cè)病人冠心病風(fēng)險(xiǎn)

欲獲取全文文件，請(qǐng)點(diǎn)擊左下角“閱讀原文”。