基于PaddlePaddle的中风患者线性模型训练和预测

该研究基于PaddlePaddle构建中风患者预测模型。使用含4981条数据的数据集，含性别、年龄等11个特征。先对分类变量序列化、数据标准化，切分训练集（80%）和测试集（20%），通过协相关分析特征关系。构建含全连接层的网络，经6轮训练，训练集正确率约91%，测试集评估正确率87.65%，模型有一定预测能力。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

一、基于PaddlePaddle的中风患者线性模型预测

       

1.背景描述

中风是一种医学疾病，由于流向大脑的血液不足导致细胞死亡。中风主要有两种类型：缺血性中风（缺乏血液流动导致）和出血性中风（出血导致）。两者都会导致大脑的某些部分停止正常运作。

中风的体征和症状可能包括一侧身体无法移动或感觉，理解或说话问题，头晕或一侧视力丧失。症状和体征通常在中风发生后不久就会出现。
如果症状持续不到一两个小时，中风就是短暂性脑缺血发作(TIA)，也称为小中风。
出血性中风还可能伴有严重的头痛。中风的症状可能是永久性的。长期并发症可能包括肺炎和膀胱失控。

中风的主要危险因素是高血压。
其他危险因素包括高血胆固醇、吸烟、肥胖、糖尿病、以前的TIA、终末期肾病和心房颤动。

缺血性中风通常是由血管堵塞引起的，尽管也有一些不太常见的原因。
出血性中风是由出血直接进入大脑或进入大脑膜之间的空间引起的。

出血可能是由于脑动脉瘤破裂引起的。诊断通常基于身体检查，并辅以医学成像，如CT扫描或MRI扫描。
CT扫描可以排除出血，但不一定排除缺血，早期的CT扫描通常不会显示缺血。其他检查，如心电图(ECG)和血液检查，以确定危险因素和排除其他可能的原因。低血糖也可能引起类似的症状。

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情

2.数据说明

《中国|成人|超重和肥胖症预防控制指南》的BMI分类：

BMI	身体质量指数说明
	体重过轻
18.5 - 23.9	体重正常
24 - 27.9	超重
> 28	肥胖

• 血糖水平
  正常空腹血糖浓度的预期值介于 70 mg/dL 到 100 mg/dL 之间。

  或：3.9 mmol/L 和 5.6 mmol/L 之间

二、数据分析

1.基础分析

In [1]

import numpy as npimport pandas as pd

    In [2]

data = pd.read_csv('data/data225165/brain_stroke.csv',encoding='gbk')
data.head()

       

   性别    年龄  是否患有高血压  是否患有心脏病  是否有过婚姻  工作类型 住宅类型    血糖水平   BMI  吸烟状况  是否中风
0  男性  67.0        0        1       1  私人企业   城市  228.69  36.6  以前吸烟     1
1  男性  80.0        0        1       1  私人企业   农村  105.92  32.5  从不吸烟     1
2  女性  49.0        0        0       1  私人企业   城市  171.23  34.4    吸烟     1
3  女性  79.0        1        0       1  自雇人士   农村  174.12  24.0  从不吸烟     1
4  男性  81.0        0        0       1  私人企业   城市  186.21  29.0  以前吸烟     1

                In [3]

data[data.duplicated()]

       

Empty DataFrame
Columns: [性别, 年龄, 是否患有高血压, 是否患有心脏病, 是否有过婚姻, 工作类型, 住宅类型, 血糖水平, BMI, 吸烟状况, 是否中风]
Index: []

                In [4]

data.isnull().sum()

       

性别         0
年龄         0
是否患有高血压    0
是否患有心脏病    0
是否有过婚姻     0
工作类型       0
住宅类型       0
血糖水平       0
BMI        0
吸烟状况       0
是否中风       0
dtype: int64

                In [5]

data.shape

       

(4981, 11)

                In [6]

# 判断data中各个字段的取值是否与数据字典中一致# 以及判断是否存在额外的空值，如空格表示的空值for column in data.columns:    print(column + ":" + str(data[column].unique()))

       

性别:['男性' '女性']
年龄:[6.70e+01 8.00e+01 4.90e+01 7.90e+01 8.10e+01 7.40e+01 6.90e+01 7.80e+01
 6.10e+01 5.40e+01 5.00e+01 6.40e+01 7.50e+01 6.00e+01 7.10e+01 5.20e+01
 8.20e+01 6.50e+01 5.70e+01 4.20e+01 4.80e+01 7.20e+01 5.80e+01 7.60e+01
 3.90e+01 7.70e+01 6.30e+01 7.30e+01 5.60e+01 4.50e+01 7.00e+01 5.90e+01
 6.60e+01 4.30e+01 6.80e+01 4.70e+01 5.30e+01 3.80e+01 5.50e+01 4.60e+01
 3.20e+01 5.10e+01 1.40e+01 3.00e+00 8.00e+00 3.70e+01 4.00e+01 3.50e+01
 2.00e+01 4.40e+01 2.50e+01 2.70e+01 2.30e+01 1.70e+01 1.30e+01 4.00e+00
 1.60e+01 2.20e+01 3.00e+01 2.90e+01 1.10e+01 2.10e+01 1.80e+01 3.30e+01
 2.40e+01 3.60e+01 6.40e-01 3.40e+01 4.10e+01 8.80e-01 5.00e+00 2.60e+01
 3.10e+01 7.00e+00 1.20e+01 6.20e+01 2.00e+00 9.00e+00 1.50e+01 2.80e+01
 1.00e+01 1.80e+00 3.20e-01 1.08e+00 1.90e+01 6.00e+00 1.16e+00 1.00e+00
 1.40e+00 1.72e+00 2.40e-01 1.64e+00 1.56e+00 7.20e-01 1.88e+00 1.24e+00
 8.00e-01 4.00e-01 8.00e-02 1.48e+00 5.60e-01 1.32e+00 1.60e-01 4.80e-01]
是否患有高血压:[0 1]
是否患有心脏病:[1 0]
是否有过婚姻:[1 0]
工作类型:['私人企业' '自雇人士' '政府部门' '儿童']
住宅类型:['城市' '农村']
血糖水平:[228.69 105.92 171.23 ... 191.15  95.02  83.94]
BMI:[36.6 32.5 34.4 24.  29.  27.4 22.8 24.2 29.7 36.8 27.3 28.2 30.9 37.5
 25.8 37.8 22.4 48.9 26.6 27.2 23.5 28.3 44.2 25.4 22.2 30.5 26.5 33.7
 23.1 32.  29.9 23.9 28.5 26.4 20.2 33.6 38.6 39.2 27.7 31.4 36.5 33.2
 32.8 40.4 25.3 30.2 47.5 20.3 30.  28.9 28.1 31.1 21.7 27.  24.1 45.9
 44.1 22.9 29.1 32.3 41.1 25.6 29.8 26.3 26.2 29.4 24.4 28.  28.8 34.6
 19.4 30.3 41.5 22.6 27.1 31.3 31.  31.7 35.8 28.4 20.1 26.7 38.7 34.9
 25.  23.8 21.8 27.5 24.6 32.9 26.1 31.9 34.1 36.9 37.3 45.7 34.2 23.6
 22.3 37.1 45.  25.5 30.8 37.4 34.5 27.9 29.5 46.  42.5 35.5 26.9 45.5
 31.5 33.  23.4 30.7 20.5 21.5 40.  28.6 42.2 29.6 35.4 16.9 26.8 39.3
 32.6 35.9 21.2 42.4 40.5 36.7 29.3 19.6 18.  17.6 17.7 35.  22.  39.4
 19.7 22.5 25.2 41.8 23.7 24.5 31.2 16.  31.6 25.1 24.8 18.3 20.  19.5
 36.  35.3 40.1 43.1 21.4 34.3 27.6 16.5 24.3 25.7 21.9 38.4 25.9 18.6
 24.9 48.2 20.7 39.5 23.3 35.1 43.6 21.  47.3 16.6 21.6 15.5 35.6 16.7
 41.9 16.4 17.1 29.2 37.9 44.6 39.6 40.3 41.6 39.  23.2 18.9 36.1 36.3
 46.5 16.8 46.6 35.2 20.9 31.8 15.3 38.2 45.2 17.  27.8 23.  22.1 26.
 44.3 39.7 34.7 21.3 41.2 34.8 19.2 35.7 40.8 24.7 19.  32.4 34.  28.7
 32.1 20.4 30.6 19.3 40.9 17.2 16.1 16.2 40.6 18.4 21.1 42.3 32.2 17.5
 42.1 47.8 20.8 30.1 17.3 36.4 36.2 14.4 43.  41.7 33.8 43.9 22.7 18.7
 37.  38.5 16.3 44.  32.7 40.2 33.3 17.4 41.3 14.6 17.8 46.1 33.1 18.1
 43.8 38.9 43.7 39.9 15.9 19.8 38.3 41.  42.6 43.4 15.1 20.6 33.5 43.2
 19.1 30.4 38.  33.4 44.9 44.7 37.6 39.8 42.  37.2 42.8 18.8 42.9 14.3
 37.7 48.4 46.2 43.3 33.9 18.5 44.5 45.4 19.9 17.9 15.6 15.2 18.2 48.5
 14.1 15.7 44.8 38.1 44.4 38.8 39.1 41.4 14.2 15.4 45.1 48.7 42.7 48.8
 15.8 45.3 14.8 40.7 48.  46.8 48.3 14.5 15.  47.4 47.9 45.8 47.6 14.
 46.4 46.9 47.1 48.1 46.3 14.9]
吸烟状况:['以前吸烟' '从不吸烟' '吸烟' '不详']
是否中风:[1 0]

       

三、特征处理

1.特征分类变量序列化

In [7]

data.head()

       

   性别    年龄  是否患有高血压  是否患有心脏病  是否有过婚姻  工作类型 住宅类型    血糖水平   BMI  吸烟状况  是否中风
0  男性  67.0        0        1       1  私人企业   城市  228.69  36.6  以前吸烟     1
1  男性  80.0        0        1       1  私人企业   农村  105.92  32.5  从不吸烟     1
2  女性  49.0        0        0       1  私人企业   城市  171.23  34.4    吸烟     1
3  女性  79.0        1        0       1  自雇人士   农村  174.12  24.0  从不吸烟     1
4  男性  81.0        0        0       1  私人企业   城市  186.21  29.0  以前吸烟     1

                In [8]

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()

    In [9]

# 除去序号列columns=data.columnsprint(len(columns))for column in columns:    print(column)

       

11
性别
年龄
是否患有高血压
是否患有心脏病
是否有过婚姻
工作类型
住宅类型
血糖水平
BMI
吸烟状况
是否中风

        In [10]

label_colum_encoder = ['性别', '工作类型', '住宅类型', '吸烟状况' ]

    In [11]

for column in label_colum_encoder:    print(f"完成 {column} 列序列化")
    data[column]=le.fit_transform(data[column])

       

完成 性别 列序列化
完成 工作类型 列序列化
完成 住宅类型 列序列化
完成 吸烟状况 列序列化

        In [12]

data.head()

       

   性别    年龄  是否患有高血压  是否患有心脏病  是否有过婚姻  工作类型  住宅类型    血糖水平   BMI  吸烟状况  是否中风
0   1  67.0        0        1       1     2     1  228.69  36.6     2     1
1   1  80.0        0        1       1     2     0  105.92  32.5     1     1
2   0  49.0        0        0       1     2     1  171.23  34.4     3     1
3   0  79.0        1        0       1     3     0  174.12  24.0     1     1
4   1  81.0        0        0       1     2     1  186.21  29.0     2     1

               

2.数据标准化

In [13]

columns=['年龄','工作类型','血糖水平','BMI','吸烟状况']for column in columns:
    col = data[column]
    col_min = col.min()
    col_max = col.max()
    normalized = (col - col_min) / (col_max - col_min)
    data[column] = normalized

    In [14]

data.head()

       

   性别        年龄  是否患有高血压  是否患有心脏病  是否有过婚姻      工作类型  住宅类型      血糖水平       BMI  \
0   1  0.816895        0        1       1  0.666667     1  0.801265  0.647564   
1   1  0.975586        0        1       1  0.666667     0  0.234512  0.530086   
2   0  0.597168        0        0       1  0.666667     1  0.536008  0.584527   
3   0  0.963379        1        0       1  1.000000     0  0.549349  0.286533   
4   1  0.987793        0        0       1  0.666667     1  0.605161  0.429799   

       吸烟状况  是否中风  
0  0.666667     1  
1  0.333333     1  
2  1.000000     1  
3  0.333333     1  
4  0.666667     1

               

3.数据集切分

In [15]

from sklearn.model_selection import train_test_split# 切分数据集为 训练集 、 测试集train, test = train_test_split(data, test_size=0.2, random_state=2025)

   

3.协相关

In [16]

data.corr()

       

               性别        年龄   是否患有高血压   是否患有心脏病    是否有过婚姻      工作类型      住宅类型  \
性别       1.000000 -0.026538  0.021485  0.086476 -0.028971 -0.075975 -0.004301   
年龄      -0.026538  1.000000  0.278120  0.264852  0.677137  0.583042  0.017155   
是否患有高血压  0.021485  0.278120  1.000000  0.111974  0.164534  0.140098 -0.004755   
是否患有心脏病  0.086476  0.264852  0.111974  1.000000  0.114765  0.108356  0.002125   
是否有过婚姻  -0.028971  0.677137  0.164534  0.114765  1.000000  0.455567  0.008191   
工作类型    -0.075975  0.583042  0.140098  0.108356  0.455567  1.000000  0.004053   
住宅类型    -0.004301  0.017155 -0.004755  0.002125  0.008191  0.004053  1.000000   
血糖水平     0.055796  0.236763  0.170028  0.166847  0.150724  0.100118  0.001346   
BMI     -0.012093  0.373703  0.158762  0.060926  0.371690  0.378679  0.013185   
吸烟状况    -0.000653  0.305230  0.104703  0.085429  0.287190  0.318605  0.026798   
是否中风     0.008870  0.246478  0.131965  0.134610  0.108398  0.091301  0.016494   

             血糖水平       BMI      吸烟状况      是否中风  
性别       0.055796 -0.012093 -0.000653  0.008870  
年龄       0.236763  0.373703  0.305230  0.246478  
是否患有高血压  0.170028  0.158762  0.104703  0.131965  
是否患有心脏病  0.166847  0.060926  0.085429  0.134610  
是否有过婚姻   0.150724  0.371690  0.287190  0.108398  
工作类型     0.100118  0.378679  0.318605  0.091301  
住宅类型     0.001346  0.013185  0.026798  0.016494  
血糖水平     1.000000  0.186348  0.079654  0.133227  
BMI      0.186348  1.000000  0.245660  0.056926  
吸烟状况     0.079654  0.245660  1.000000  0.054793  
是否中风     0.133227  0.056926  0.054793  1.000000

                In [17]

import matplotlib.pyplot as plt
%matplotlib inlineimport seaborn as sns
sns.set_style('whitegrid')# 热力图plt.figure(figsize=(20,12))
sns.heatmap(train.corr(), annot=True)

       

<matplotlib.axes._subplots.AxesSubplot at 0x7f3592d83dd0>

               

<Figure size 2000x1200 with 2 Axes>

               

四、模型训练

1.网络定义

In [18]

import paddleimport paddle.nn.functional as F# 定义动态图class Net(paddle.nn.Layer):
    def __init__(self):
        super(Net, self).__init__()        # 定义一层全连接层，输出维度是1，激活函数为None，即不使用激活函数
        self.fc = paddle.nn.Linear(in_features=10,out_features=2)    
    # 网络的前向计算函数
    def forward(self, inputs):
        pred = self.fc(inputs)        return pred

    In [19]

net=Net()

   

2.超参设置

In [20]

# 设置迭代次数epochs = 6#  paddle.nn.loss.CrossEntropyLoss正常#  paddle.nn.CrossEntropyLoss不正常loss_func = paddle.nn.CrossEntropyLoss()#优化器opt = paddle.optimizer.Adam(learning_rate=0.1,parameters=net.parameters())

   

3.模型训练

In [21]

#训练程序for epoch in range(epochs):
    all_acc = 0
    for i in range(train.shape[0]):
        x = paddle.to_tensor([train.iloc[i,:-1]])
        y = paddle.to_tensor([train.iloc[i,-1]])
        infer_y = net(x)
        loss = loss_func(infer_y,y)
        loss.backward()
        y=label = paddle.to_tensor([y], dtype="int64")
        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))

       

第1次正确率为：[0.906352]
第2次正确率为：[0.913884]
第3次正确率为：[0.9131308]
第4次正确率为：[0.9131308]
第5次正确率为：[0.9199096]
第6次正确率为：[0.9113733]

       

五、模型评估

1.评估

In [22]

#测试集数据运行net.eval()#模型转换为测试模式all_acc = 0for i in range(test.shape[0]):
        x = paddle.to_tensor([test.iloc[i,:-1]])
        y = paddle.to_tensor([test.iloc[i,-1]])        
        infer_y = net(x)
        y=label = paddle.to_tensor([y], dtype="int64")    # 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))

       

测试集正确率：[0.87650603]

       

2.预测

In [23]

#预测结果展示net.eval()
x = paddle.to_tensor([test.iloc[0,:-1]])
y = paddle.to_tensor([test.iloc[0,-1]])    
infer_y = net(x)
y=label = paddle.to_tensor([y], dtype="int64")# 计算损失与精度loss = loss_func(infer_y, y)# 打印信息print("test[0] is :{}\n y_test[0] is :{}\n predict is {}".format(test.iloc[0,:-1] ,test.iloc[0,-1], np.argmax(infer_y.numpy()[0])))

       

test[0] is :性别         0.000000
年龄         0.218750
是否患有高血压    0.000000
是否患有心脏病    0.000000
是否有过婚姻     0.000000
工作类型       0.666667
住宅类型       1.000000
血糖水平       0.202613
BMI        0.329513
吸烟状况       0.666667
Name: 4121, dtype: float64
 y_test[0] is :0
 predict is 0

       

以上就是基于PaddlePaddle的中风患者线性模型训练和预测的详细内容，更多请关注其它相关文章！

# red  # 网站优化推广公司怎么选  # 宜兴关键词排名按天优化  # 为什么会有营销推广呢  # 推广营销销售服务热线  # 宁波高新区网站优化  # 如何去seo网站排名  # 哈尔滨营销推广推荐  # 临沂传统行业seo公司  # 进行自我  # 来袭  # 营收  # 是由  # 中文网  # 切分  # 序列化  # 私人企业  # 率为  # 有过  # type  # fig  # igs  # ai  # 盐城盐都seo服务  # 建筑隔热膜怎么营销推广 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： 联通发布鸿湖图文AI大模型1.0，可实现以文生图  无人机巡检方案是什么，该如何选择适合的巡检方案  国网辉南供电：无人机空中巡检 全力护航端午佳节  谷歌推出RT-2视觉语言动作模型，使机器人能够掌握垃圾丢弃技能  传Meta 2025年推出首款AR眼镜，采用军用级别材料，计划生产1000台  华为4G5G通信物联网收费标准公布，多年研发成果，十年花费近万亿  报道称亚马逊正在测试AI生成产品评价摘要  张勇对话多位诺奖得主 人工智能将无处不在  中国最强AI研究院的大模型为何迟到了  Bing Chat 和 Bing Search 正式引入深色模式  第 66 届格莱美奖规定，AI 作品将无法获得评奖资格  如何成功实施人工智能？  万魔推出AI主攻的运动耳机，开启十年研发新纪元  最大助力35公斤 外骨骼机器人或在养老、医疗领域“大展身手”  自动驾驶汽车避障、路径规划和控制技术详解  马克龙密会AI专家，法国加入全球人工智能竞赛  AI赋能艺术 超现实达利奇幻之旅在沪开启  智能电网技术：提高能源效率和可靠性  Meta将VR头显最低年龄限制从13岁降至10岁  美图公司：Wink国内首发AI画面拓展功能  农业产业升级：AI驱动的“崃·见田”开启农田未来展望  AYANEO AIR 1S 掌机发布：R7 7840U，预订价 4699 元起  AI 模型 Stable Diffusion 升级：正常生成五指、图像更逼真  马斯克称人类是半机器人，记忆外包给了电脑  一文读懂自动驾驶的激光雷达与视觉融合感知  走进首家“元宇宙”未来工厂，卡奥斯探知工业之旅出发！  昇思开源社区理事会成立，基于昇思AI框架的全模态大模型“紫东.太初2.0”发布  人工智能赋能广西自然资源领域监测监管  大模型的“黄金搭档”来了！腾讯云正式发布AI原生向量数据库，提供10亿级向量检索能力  【原创】奥比中光：与英伟达合作开发的3D开发套件正式发布 连接英伟达AI应用生态  日入400万，第一批AI骗子已上岗  两型无人机完成交付！国家级机动观测业务正式启动  明略科技发布免费开源TensorBoard.cpp，促进大型模型的预训练工作  “聚智启新，‘蓉’力同行” 成都市人工智能产业融通对接会成功举办  “黑科技”亮相大湾区轨交论坛 智慧交通迈向“强AI”  新闻传闻：迪士尼可能采用人工智能来控制电影制作成本  AMD称下半年AI显卡供应充足，不需要像NVIDIA那样加价抢购  【搞事】时隔4年 谷歌更新安卓logo 机器人头更饱满了  懒人必备的家居清洁好物，石头自清洁扫拖机器人G20  2025年深圳举办的SUSECON 创新峰会开始接受报名  边喷火边跳踢踏舞，机器狗最新技能爆火全网！网友直呼真·热狗  “世界上最像人的机器人”接入 Stable Diffusion ，现场完成作画  人手一部「*」！视频版Midjourney免费可用，一句话秒生酷炫大片惊呆网友  配 3D 机器人头像，谷歌展示全新安卓 LOGO  苹果AR头显商标与华为撞车，在中国或改名  网易云音乐和小冰推出AI歌手音乐创作软件，首发内置12名AI歌手  上影节直击 | AI技术降低了短片拍摄门槛？金爵奖评委不赞同  世界周刊丨AI“棱镜”？  12页线性代数笔记登GitHub热榜，还获得了Gilbert Strang大神亲笔题词  普渡机器人与变形金刚品牌合作，特别活动爆火，商品售罄！