ML.NET庫學習008：使用ML.NET進行心臟疾病預測模型開發

1. 項目主要目的和原理

本項目的目的是開發一個基于ML.NET的機器學習模型，用于心臟疾病的風險預測。通過分析患者的心臟相關特征數據，模型可以對是否存在心臟疾病進行分類。

原理：

• 使用監督學習算法（決策樹）對訓練數據進行擬合。
• 通過對測試數據進行預測來評估模型性能。
• 將訓練好的模型保存為文件，以便后續使用。

---

2. 項目概述

實現的主要功能：

1. 數據加載與預處理。
2. 特征提取與拼接。
3. 模型訓練（基于決策樹算法）。
4. 模型評估。
5. 模型保存。
6. 預測測試。

主要流程步驟：

1. 加載訓練數據和測試數據。
2. 構建特征向量并擬合模型。
3. 使用測試數據評估模型性能。
4. 保存訓練好的模型。
5. 使用模型對單個樣本進行預測。

關鍵技術：

• ML.NET：微軟的機器學習框架，用于構建跨平臺、高性能的機器學習模型。
• 決策樹算法（FastTree）：一種高效的樹結構回歸/分類算法。
• 特征拼接與數據預處理：將多維特征向量化為模型輸入。

---

3. 主要功能和步驟

數據加載與路徑處理

代碼中定義了一個GetAbsolutePath方法，用于獲取相對路徑的絕對路徑。訓練數據和測試數據存儲在指定的文件夾中，路徑通過該方法拼接生成。

public static string GetAbsolutePath(string relativePath)
{FileInfo _dataRoot = new FileInfo(typeof(Program).Assembly.Location);string assemblyFolderPath = _dataRoot.Directory.FullName;string fullPath = Path.Combine(assemblyFolderPath, relativePath);return fullPath;
}

模型訓練與評估

1. 加載數據：

   var trainingData = ML.Data.LoadFromTextFile<HeartData>(trainingFilePath, separatorChar: '\t');
   

2. 構建特征向量并擬合模型：

   var pipeline = new Pipeline().Add(new TextLoader<HeartData>(separatorChar: '\t')).Add(new SelectColumnsTransformer("Age", "Sex", "Cp", "TrestBps", "Chol", "Fbs", "RestEcg", "Thalac", "Exang", "OldPeak", "Slope", "Ca", "Thal")).Add(new ConcatFeatures() { OutputColumnName = "Features" }).Add(new FastTree.BinaryClassification());var model = pipeline.Fit(trainingData);
   

3. 模型評估：

   var metrics = model.Evaluate(testData, labelColumn: "Label");
   

模型保存與加載

模型通過Save()方法保存為文件，后續可以使用Load()方法重新加載。

---

4. 代碼中的數據結構和內容說明

數據類定義：

• HeartData：表示輸入特征。

  public class HeartData
  {public float Age { get; set; }public bool Sex { get; set; }public int Cp { get; set; }public float TrestBps { get; set; }public float Chol { get; set; }public bool Fbs { get; set; }public int RestEcg { get; set; }public float Thalac { get; set; }public bool Exang { get; set; }public float OldPeak { get; set; }public int Slope { get; set; }public int Ca { get; set; }public int Thal { get; set; }
  }
  

• HeartPrediction：表示預測結果。

  public class HeartPrediction
  {public bool Prediction { get; set; }public float Probability { get; set; }
  }
  

---

5. 樣本數據清洗方法或標注方法

在代碼中，未直接體現數據清洗步驟。但通常情況下，數據清洗包括以下內容：

1. 處理缺失值。
2. 去除異常值。
3. 數據歸一化/標準化。

對于心臟疾病預測任務，可能需要對特征進行如下處理：

• 對分類變量（如Sex, Exang）進行編碼。
• 確保數值型特征（如Age, Chol）無缺失或異常值。

---

6. 預測數據處理方法說明

在預測階段，代碼通過以下步驟處理輸入數據：

1. 加載訓練好的模型。
2. 對單個樣本進行預測。
3. 輸出預測結果和概率。

示例代碼如下：

foreach (var heartData in testSamples)
{var prediction = predictionEngine.Predict(heartData);Console.WriteLine($"Prediction: {prediction.Prediction}");Console.WriteLine($"Probability: {prediction.Probability}");
}

---

7. 總結

本項目通過ML.NET實現了基于決策樹算法的心臟疾病預測模型。整個流程包括數據加載、特征提取、模型訓練、評估和保存，以及預測測試。