【左手Python右手R】神经网络模型(Neural Network Model)的相关分析及可视化

神经网络模型‌是一种基于人工神经元的数学模型，用于模拟人脑的神经网络结构和功能。它由大量的简单处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统‌。

神经网络模型的基本原理是模拟人脑神经元的工作方式。人脑由大约860亿个神经元组成，每个神经元通过突触与其他神经元相互连接。神经元接收来自其他神经元的信号，当信号强度超过一定阈值时，神经元会产生输出信号，并通过突触传递给其他神经元。神经网络模型正是基于这种神经元连接和信号传递的机制构建的‌。

神经网络模型在许多领域都有广泛的应用，包括：

‌图像识别‌：如面部识别、物体检测等。

‌语音识别‌：如语音转文字、语音命令识别等。

‌自然语言处理‌：如机器翻译、情感分析等。

‌推荐系统‌：如商品推荐、内容推荐等。

‌预测分析‌：如时间序列预测、金融预测等‌。

总之，神经网络模型通过模拟人脑的神经元连接和信号传递机制，实现了对复杂数据的处理和学习，广泛应用于各个领域。

今天我们仍以二分类因变量的示例数据为例，探讨一下神经网络（Neural Network）模型可视化及预测效果的ROC曲线、混淆矩阵评价的Python实现。

#加载程序包（openpyxl和pandas等）

# 使用pandas读取示例数据xlsx文件

import ann_visualizer

import openpyxl

import numpy as np

import pandas as pd

import simpleNomo

import matplotlib.pyplot as plt

from ann_visualizer.visualize import ann_viz

nndata = pd.read_excel(r'C:\Users\L\Desktop\示例数据.xlsx')

# 查看前几行数据

print(nndata .head())

nndata.columns = ['序号','结局','指标1', '指标2', '指标3','指标4','指标5','指标6','指标7','时间','指标8']

import pandas as pd

pd.set_option('display.max_columns', None)

pd.set_option('display.max_rows',None)

# 对导入的实例数据分离特征和目标变量

X = nndata[['指标1', '指标2', '指标3','指标4','指标5','指标6']]

y = nndata[['结局']]

#划分训练集和测试集

from sklearn.model_selection import train_test_split 

# Splitting the data into training and testing sets

X_train,X_test,y_train,y_test=train_test_split(

   X,y,test_size=0.30, random_state=77, stratify=y)

feature=list(X.columns)

#搭建神经网络模型,并训练数据

from sklearn.neural_network import MLPClassifier

from sklearn.metrics import accuracy_score

nnmodel =MLPClassifier()

nnmodel.fit(X_train, y_train)

y_train= nnmodel.predict(X_train)

print("训练集预测值：\n",y_train)

#预测test新数据

y_pred = nnmodel.predict(X_test)

print("测试集预测值：\n",y_pred)

print("神经网络训练模型评分：\n",

    accuracy_score(nnmodel.predict(X_train),y_train))

print("神经网络测试模型评分：\n",

     accuracy_score(nnmodel.predict(X_test),y_test))

#数据标准化

from sklearn.preprocessing import StandardScaler

from sklearn.inspection import permutation_importance

scaler = StandardScaler()

scaler.fit(X_train)

X_train_s = scaler.transform(X_train)

X_test_s = scaler.transform(X_test)

print("训练集：\n",X_train_s)

print("测试集：\n",X_test_s)

# 评估模型

from sklearn.metrics import classification_report, accuracy_score

print("Accuracy:",accuracy_score(y_test,y_pred))

print("Classification Report:\n ", classification_report(y_test,y_pred))

#神经网络模型分析特征权重可视化

import matplotlib.pyplot as plt

plt.figure(figsize=(20,3))

plt.imshow(nnmodel.coefs_[0],interpolation='none', cmap='viridis')

plt.yticks(range(6),feature)

plt.xlabel('Columns in weight matrix')

plt.ylabel('Input feature')

plt.colorbar()

plt.show()

#可以通过调整图表大小，选择合适的显示方式

# 使用Matplotlib绘制MLP结构图

fig, ax = plt.subplots()  # 创建一个图和坐标系

plt.subplots(nnmodel)

# 显示图形

plt.show()

#混淆矩阵评估模型

#导入第三方模块

from sklearn import metrics

# 混淆矩阵

print("混淆矩阵四格表输出如下：")

print(metrics.confusion_matrix(y_test, y_pred, labels = [0, 1]))

Accuracy = metrics._scorer.accuracy_score(y_test, y_pred)

Sensitivity = metrics._scorer.recall_score(y_test, y_pred)

Specificity = metrics._scorer.recall_score(y_test, y_pred, pos_label=0)

print("神经网络模型混淆矩阵评价结果如下：")

print('模型准确率为%.2f%%' %(Accuracy*100))

print('正例覆盖率为%.2f%%' %(Sensitivity*100))

print('负例覆盖率为%.2f%%' %(Specificity*100))

# 使用Seaborn的heatmap绘制混淆矩阵

import matplotlib.pyplot as plt

from sklearn.metrics import confusion_matrix

import seaborn as sns

sns.heatmap(metrics.confusion_matrix(y_test, y_pred), annot=True, fmt='d')

plt.title('Confusion Matrix')

plt.xlabel('Predicted label')

plt.ylabel('True label')

plt.show()

#进行ROC曲线绘制计算准备

# у得分为模型预测正例的概率

y_score =nnmodel.predict_proba(X_test)[:,1]

#计算不同阈值下，fpr和tpr的组合值，其中fpr表示1-Specificity，tpr表示sensitivity

fpr,tpr,threshold =metrics.roc_curve(y_test,y_score)

# 计算AUC的值

roc_auc = metrics.auc(fpr,tpr)

print("神经网络模型预测测试集数据ROC曲线的AUC:",roc_auc)

神经网络模型预测测试集数据ROC曲线的AUC: 0.9423111111111111

#绘制ROC曲线

import matplotlib.pyplot as plt

import seaborn as sns

# 绘制面积图

plt.stackplot(fpr, tpr, color='steelblue', alpha = 0.5,edgecolor = 'black')

# 添加边际线

plt.plot(fpr, tpr, color='black',lw = 1)

# 添加对角线

plt.plot([0,1],[0,1],color ='red',linestyle ='--')

# 添加文本信息

plt.text(0.5,0.3,'Roc curve(area =%.2f)'% roc_auc)

# 添加轴标签

plt.xlabel('1-Specificity')

plt.ylabel('Sensitivity')

# 显示图形

plt.show()

神经网络模型通常由多个层次组成，包括输入层、隐藏层和输出层。输入层接收外部输入信号，隐藏层负责处理和转换输入信号，输出层生成最终的输出结果。每个神经元都有一定的权重和偏置，权重决定了神经元之间的连接强度，偏置则决定了神经元的激活阈值。通过调整这些权重和偏置，神经网络可以学习输入数据的特征和规律‌。

包括：

‌前馈神经网络‌：信号只能从前向后传递，常用于分类和回归问题。

‌循环神经网络‌：神经元之间存在反馈连接，常用于处理时间序列数据。

‌卷积神经网络‌：具有卷积层和池化层，适用于图像识别和视频分析。

‌自编码器‌：用于数据降维、特征提取和去噪。

‌生成对抗网络‌：用于生成新的数据样本‌。

激活函数和反向传播算法

在神经网络中，激活函数用于引入非线性，使得神经网络能够处理复杂的模式。常见的激活函数包括Sigmoid、ReLU等。反向传播算法用于在训练过程中调整权重和偏置，通过计算损失函数的梯度来更新参数，以最小化损失函数‌。

医学统计数据分析分享交流SPSS、R语言、Python、ArcGis、Geoda、GraphPad、数据分析图表制作等心得。承接数据分析，论文修回，医学统计，空间分析，问卷分析业务。若有投稿和数据分析代做需求，可以直接联系我，谢谢！