{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "# Laden der Rohdaten" ] }, { "cell_type": "code", "execution_count": 25, "metadata": {}, "outputs": [], "source": [ "import pickle\n", "\n", "# Laden der 'kirp' Liste aus der Pickle-Datei\n", "with open('rick.pickle', 'rb') as f:\n", " data_frame = pickle.load(f)" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "# PCA Klasse zu Reduktion der Dimensionen" ] }, { "cell_type": "code", "execution_count": 26, "metadata": {}, "outputs": [], "source": [ "from torch.utils.data import Dataset\n", "import torch\n", "import pandas as pd\n", "from sklearn.preprocessing import LabelEncoder\n", "from sklearn.decomposition import PCA\n", "from sklearn.preprocessing import StandardScaler\n", "from sklearn.model_selection import train_test_split\n", "from typing import List, Tuple\n", "\n", "\n", "class GenomeDataset(Dataset):\n", " \"\"\"\n", " Eine benutzerdefinierte Dataset-Klasse, die für die Handhabung von Genomdaten konzipiert ist.\n", " Diese Klasse wendet eine Principal Component Analysis (PCA) auf die Frequenzen der Genome an\n", " und teilt den Datensatz in Trainings- und Validierungsteile auf.\n", "\n", " Attributes:\n", " dataframe (pd.DataFrame): Ein Pandas DataFrame, der die initialen Daten enthält.\n", " train_df (pd.DataFrame): Ein DataFrame, der den Trainingsdatensatz nach der Anwendung von PCA und der Aufteilung enthält.\n", " val_df (pd.DataFrame): Ein DataFrame, der den Validierungsdatensatz nach der Anwendung von PCA und der Aufteilung enthält.\n", "\n", " Methods:\n", " __init__(self, dataframe, n_pca_components=1034, train_size=0.8, split_random_state=42):\n", " Konstruktor für die GenomeDataset Klasse.\n", " _do_PCA(self, frequencies, n_components=1034):\n", " Wendet PCA auf die gegebenen Frequenzen an.\n", " _split_dataset(self, train_size=0.8, random_state=42):\n", " Teilt den DataFrame in Trainings- und Validierungsdatensätze auf.\n", " __getitem__(self, index):\n", " Gibt ein Tupel aus transformierten Frequenzen und dem zugehörigen Krebstyp für einen gegebenen Index zurück.\n", " __len__(self):\n", " Gibt die Gesamtlänge der kombinierten Trainings- und Validierungsdatensätze zurück.\n", " \"\"\"\n", "\n", " def __init__(self, dataframe: pd.DataFrame, n_pca_components: int = 1034, train_size: float = 0.8, split_random_state: int = 42):\n", " \"\"\"\n", " Konstruktor für die GenomeDataset Klasse.\n", "\n", " Parameters:\n", " dataframe (pd.DataFrame): Der DataFrame, der die Genome Frequenzen und Krebsarten enthält.\n", " n_pca_components (int): Die Anzahl der PCA-Komponenten, auf die reduziert werden soll. Standardwert ist 1034.\n", " train_size (float): Der Anteil der Daten, der als Trainingsdaten verwendet werden soll. Standardwert ist 0.8.\n", " split_random_state (int): Der Zufalls-Saatwert, der für die Aufteilung des Datensatzes verwendet wird. Standardwert ist 42.\n", " \"\"\"\n", " self.dataframe = dataframe\n", "\n", " # Umwandlung der Krebsarten in numerische Werte\n", " self.label_encoder = LabelEncoder()\n", " self.dataframe['encoded_cancer_type'] = self.label_encoder.fit_transform(dataframe['cancer_type'])\n", "\n", " # Anwenden der PCA auf die Frequenzen\n", " self.dataframe['pca_frequencies'] = self._do_PCA(self.dataframe['genome_frequencies'].tolist(), n_pca_components)\n", "\n", " # Teilen des DataFrame in Trainings- und Validierungsdatensatz\n", " self._split_dataset(train_size=train_size, random_state=split_random_state)\n", "\n", " def transform_datapoint(self, datapoint: List[float]) -> List[float]:\n", " \"\"\"\n", " Transformiert einen einzelnen Datenpunkt durch Standardisierung und Anwendung der PCA.\n", "\n", " Diese Methode nimmt einen rohen Datenpunkt (eine Liste von Frequenzen), standardisiert ihn mit dem \n", " zuvor angepassten Scaler und wendet dann die PCA-Transformation an, um ihn in den reduzierten \n", " Feature-Raum zu überführen, der für das Training des Modells verwendet wurde.\n", "\n", " Parameters:\n", " datapoint (List[float]): Ein roher Datenpunkt, bestehend aus einer Liste von Frequenzen.\n", "\n", " Returns:\n", " List[float]: Der transformierte Datenpunkt, nach Anwendung der Standardisierung und der PCA.\n", " \"\"\"\n", " # Standardisierung des Datenpunkts\n", " scaled_data_point = self.scaler.transform([datapoint])\n", "\n", " # PCA-Transformation des standardisierten Datenpunkts\n", " pca_transformed_point = self.pca.transform(scaled_data_point)\n", "\n", " return pca_transformed_point.tolist()\n", "\n", " def _do_PCA(self, frequencies: List[List[float]], n_components: int = 1034) -> List[List[float]]:\n", " \"\"\"\n", " Wendet PCA auf die gegebenen Frequenzen an.\n", "\n", " Parameters:\n", " frequencies (List[List[float]]): Die Liste der Frequenzen, auf die die PCA angewendet werden soll.\n", " n_components (int): Die Anzahl der Komponenten für die PCA. Standardwert ist 1034.\n", "\n", " Returns:\n", " List[List[float]]: Eine Liste von Listen, die die transformierten Frequenzen nach der PCA darstellt.\n", " \"\"\"\n", "\n", " # Standardisieren der Frequenzen\n", " self.scaler = StandardScaler()\n", " scaled_frequencies = self.scaler.fit_transform(frequencies)\n", "\n", " # PCA-Instanz erstellen und auf die gewünschte Anzahl von Komponenten reduzieren\n", " self.pca = PCA(n_components=n_components)\n", "\n", " # PCA auf die Frequenzen anwenden\n", " pca_result = self.pca.fit_transform(scaled_frequencies)\n", "\n", " return pca_result.tolist()\n", "\n", " def _split_dataset(self, train_size: float = 0.8, random_state: int = 42):\n", " \"\"\"\n", " Teilt den DataFrame in Trainings- und Validierungsdatensätze auf.\n", "\n", " Parameters:\n", " train_size (float): Der Anteil der Daten, der als Trainingsdaten verwendet werden soll.\n", " random_state (int): Der Zufalls-Saatwert, der für die Aufteilung des Datensatzes verwendet wird.\n", " \"\"\"\n", "\n", " class SplittedDataset(Dataset):\n", " def __init__(self, dataframe):\n", " self.dataframe = dataframe\n", "\n", " # Umwandlung der Genome Frequenzen in Tensoren\n", " self.genome_frequencies = torch.tensor(dataframe['pca_frequencies'].tolist(), dtype=torch.float32)\n", "\n", " # Umwandlung der Krebsarten in numerische Werte\n", " self.label_encoder = LabelEncoder()\n", " self.cancer_types = torch.tensor(dataframe['encoded_cancer_type'].tolist(), dtype=torch.long)\n", "\n", " def __getitem__(self, index):\n", " # Rückgabe eines Tupels aus Genome Frequenzen und dem entsprechenden Krebstyp\n", " return self.genome_frequencies[index], self.cancer_types[index]\n", "\n", " def __len__(self):\n", " return len(self.dataframe)\n", "\n", " # Teilen des DataFrame in Trainings- und Validierungsdatensatz\n", " train_df, val_df = train_test_split(self.dataframe, train_size=train_size, random_state=random_state)\n", " self.train_df = SplittedDataset(train_df)\n", " self.val_df = SplittedDataset(val_df)\n", "\n", "\n", " def __getitem__(self, index: int) -> Tuple[torch.Tensor, int]:\n", " \"\"\"\n", " Gibt ein Tupel aus transformierten Frequenzen und dem entsprechenden Krebstyp für einen gegebenen Index zurück.\n", "\n", " Parameters:\n", " index (int): Der Index des zu abrufenden Datenelements.\n", "\n", " Returns:\n", " Tuple[torch.Tensor, int]: Ein Tupel, bestehend aus einem Tensor der transformierten Frequenzen und dem zugehörigen Krebstyp.\n", " \"\"\"\n", "\n", " print(self.train_df.shape)\n", " print(self.val_df.shape)\n", " \n", " if index < len(self.train_df):\n", " row = self.train_df.iloc[index]\n", " else:\n", " row = self.val_df.iloc[len(self.train_df) - index]\n", "\n", " pca_frequencies_tensor = torch.tensor(row['pca_frequencies'], dtype=torch.float32)\n", " cancer_type = row['encoded_cancer_type']\n", "\n", " return pca_frequencies_tensor, cancer_type\n", "\n", " def __len__(self) -> int:\n", " \"\"\"\n", " Gibt die Gesamtlänge der kombinierten Trainings- und Validierungsdatensätze zurück.\n", "\n", " Returns:\n", " int: Die Länge der kombinierten Datensätze.\n", " \"\"\"\n", " \n", " return len(self.train_df) + len(self.val_df)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "# Definition des neuronalen Netzes" ] }, { "cell_type": "code", "execution_count": 27, "metadata": {}, "outputs": [], "source": [ "import torch\n", "import torch.nn as nn\n", "import torch.optim as optim\n", "import torch.nn.functional as F\n", "\n", "class CancerClassifierNN(nn.Module):\n", " \"\"\"\n", " Eine benutzerdefinierte neuronale Netzwerkklassifikator-Klasse für die Krebsklassifikation.\n", "\n", " Diese Klasse definiert ein mehrschichtiges Perzeptron (MLP), das für die Klassifizierung von Krebsarten\n", " anhand genetischer Frequenzdaten verwendet wird.\n", "\n", " Attributes:\n", " fc1 (nn.Linear): Die erste lineare Schicht des Netzwerks.\n", " fc2 (nn.Linear): Die zweite lineare Schicht des Netzwerks.\n", " fc3 (nn.Linear): Die dritte lineare Schicht des Netzwerks.\n", " fc4 (nn.Linear): Die Ausgabeschicht des Netzwerks.\n", " dropout (nn.Dropout): Ein Dropout-Layer zur Vermeidung von Overfitting.\n", "\n", " Methods:\n", " __init__(self, input_size: int, num_classes: int):\n", " Konstruktor für die CancerClassifierNN Klasse.\n", " forward(self, x: torch.Tensor) -> torch.Tensor:\n", " Definiert den Vorwärtsdurchlauf des Netzwerks.\n", " \"\"\"\n", "\n", " def __init__(self, input_size: int, num_classes: int):\n", " \"\"\"\n", " Konstruktor für die CancerClassifierNN Klasse.\n", "\n", " Parameters:\n", " input_size (int): Die Größe des Input-Features.\n", " num_classes (int): Die Anzahl der Zielklassen.\n", " \"\"\"\n", " super(CancerClassifierNN, self).__init__()\n", " # Definieren der Schichten\n", " self.fc1 = nn.Linear(input_size, 1024) # Eingabeschicht\n", " self.fc2 = nn.Linear(1024, 512) # Versteckte Schicht\n", " self.fc3 = nn.Linear(512, 256) # Weitere versteckte Schicht\n", " self.fc4 = nn.Linear(256, num_classes) # Ausgabeschicht\n", " self.dropout = nn.Dropout(p=0.5) # Dropout\n", "\n", " def forward(self, x: torch.Tensor) -> torch.Tensor:\n", " \"\"\"\n", " Definiert den Vorwärtsdurchlauf des Netzwerks.\n", "\n", " Parameters:\n", " x (torch.Tensor): Der Input-Tensor für das Netzwerk.\n", "\n", " Returns:\n", " torch.Tensor: Der Output-Tensor nach dem Durchlauf durch das Netzwerk.\n", " \"\"\"\n", " x = F.relu(self.fc1(x))\n", " x = self.dropout(x)\n", " x = F.relu(self.fc2(x))\n", " x = self.dropout(x)\n", " x = F.relu(self.fc3(x))\n", " x = torch.sigmoid(self.fc4(x)) # Oder F.log_softmax(x, dim=1) für Mehrklassenklassifikation\n", " return x" ] }, { "cell_type": "code", "execution_count": 28, "metadata": {}, "outputs": [], "source": [ "from torch.utils.data import DataLoader\n", "\n", "# Erstellen der Dataframe Klasse\n", "genome_dataset = GenomeDataset(data_frame)\n", "train_dataset = genome_dataset.train_df\n", "valid_dataset = genome_dataset.val_df\n", "\n", "# Annahme: input_size ist die Länge Ihrer Genome-Frequenzen und num_classes ist die Anzahl der Krebsarten\n", "model = CancerClassifierNN(input_size=1034, num_classes=3)\n", "\n", "# Daten-Loader\n", "train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)\n", "valid_loader = DataLoader(dataset=valid_dataset, batch_size=64, shuffle=False)" ] }, { "cell_type": "code", "execution_count": 29, "metadata": {}, "outputs": [], "source": [ "import torch.optim as optim\n", "\n", "# Verlustfunktion\n", "criterion = nn.CrossEntropyLoss()\n", "\n", "# Optimierer\n", "optimizer = optim.Adam(model.parameters(), lr=0.001)\n", "\n", "# Anzahl der Epochen\n", "num_epochs = 10\n" ] }, { "cell_type": "code", "execution_count": 30, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Epoch [1/10], Trainingsverlust: 0.8623, Validierungsverlust: 0.7387\n", "Epoch [2/10], Trainingsverlust: 0.7593, Validierungsverlust: 0.7306\n", "Epoch [3/10], Trainingsverlust: 0.7496, Validierungsverlust: 0.7388\n", "Epoch [4/10], Trainingsverlust: 0.7466, Validierungsverlust: 0.7342\n", "Epoch [5/10], Trainingsverlust: 0.7456, Validierungsverlust: 0.7340\n", "Epoch [6/10], Trainingsverlust: 0.7454, Validierungsverlust: 0.7265\n", "Epoch [7/10], Trainingsverlust: 0.7448, Validierungsverlust: 0.7252\n", "Epoch [8/10], Trainingsverlust: 0.7469, Validierungsverlust: 0.7239\n", "Epoch [9/10], Trainingsverlust: 0.7453, Validierungsverlust: 0.7242\n", "Epoch [10/10], Trainingsverlust: 0.7449, Validierungsverlust: 0.7252\n" ] } ], "source": [ "# Listen, um Verluste zu speichern\n", "train_losses = []\n", "valid_losses = []\n", "\n", "for epoch in range(num_epochs):\n", " model.train()\n", " train_loss = 0.0\n", " for i, (inputs, labels) in enumerate(train_loader):\n", " optimizer.zero_grad()\n", " outputs = model(inputs)\n", " loss = criterion(outputs, labels)\n", " loss.backward()\n", " optimizer.step()\n", " train_loss += loss.item()\n", "\n", " # Durchschnittlicher Trainingsverlust\n", " train_loss /= len(train_loader)\n", " train_losses.append(train_loss)\n", "\n", " # Validierungsverlust\n", " model.eval()\n", " valid_loss = 0.0\n", " with torch.no_grad():\n", " for inputs, labels in valid_loader:\n", " outputs = model(inputs)\n", " loss = criterion(outputs, labels)\n", " valid_loss += loss.item()\n", "\n", " # Durchschnittlicher Validierungsverlust\n", " valid_loss /= len(valid_loader)\n", " valid_losses.append(valid_loss)\n", "\n", " print(f'Epoch [{epoch+1}/{num_epochs}], Trainingsverlust: {train_loss:.4f}, Validierungsverlust: {valid_loss:.4f}')" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [] } ], "metadata": { "kernelspec": { "display_name": "rl", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.8.18" }, "orig_nbformat": 4 }, "nbformat": 4, "nbformat_minor": 2 }