Diabetes Dataset：糖尿病（年齢／血圧／血糖値などの10項目）の表形式データセット：AI・機械学習のデータセット辞典

データセット「Diabetes」について説明。442件の糖尿病の「表形式データ（年齢／血圧／血糖値などの10項目）」＋「ラベル（1年後の糖尿病進行度）」が無料でダウンロードでき、回帰問題などのディープラーニングや統計学／データサイエンスに利用できる。scikit-learnにおける利用コードも紹介。

[一色政彦，デジタルアドバンテージ]

連載目次

データセット解説

　Diabetesデータセット（糖尿病データセット）は、「年齢／血圧／血糖値」などの10個の特徴量と、1年後の糖尿病の進行度を示すラベルで構成される表形式データセット（＝構造化データセット）である（図1）。

図1　Diabetesデータセットの内容例
※データセットの配布元： 「https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html」。

　Diabetesデータセットは、主に回帰（具体的には「1年後の糖尿病の進行度の予測」）を目的とした統計学／機械学習／ディープラーニングなどの練習で活用できる。

　説明変数となる10個の特徴量は以下の通り。※下記の箇条書きで示す各項目の意味説明は、筆者が参考にしたscikit-learnのサイトによると不明確な可能性があるとのこと（※特にLTG）。よって本データセットは、現実のデータとしてではなく、あくまで練習用のデータとして厳密な意味を求めずに使う方が無難である。

• age： 年齢
• sex： 性別
• bmi： BMI（肥満度）
• bp： 平均血圧
• s1： TC（血液中の総コレステロール値）
• s2： LDL（低比重リポタンパク質、悪玉コレステロール）
• s3： HDL（高比重リポタンパク質、善玉コレステロール）
• s4： TCH（＝TC÷HDL＝総コレステロール値／善玉コレステロール）
• s5： LTG（血液中の中性脂肪値の対数）
• s6： GLU（血糖値）

　なお、図1に表示されている上記10個の各値は、「平均0、ユークリッドノルム（L₂ノルム）1（＝各値の二乗を全て合計した値が1、つまりsum(x²)＝1）」に正規化された値となっているので注意してほしい（※この正規化は一種の標準化である。厳密な意味での標準化では、ユークリッドノルムではなく、標準偏差もしくは分散が1となる。より具体的には、標準偏差ではデータ件数で割るが、このユークリッドノルムでは割っていないという違いがある。別の見方をすると、ここで計算されている値は、「標準化された値×データ件数」の値が計算されているということになる）。

　また、目的変数（target variable）となるラベル（＝正解を示す教師データ）は、

• ベースラインとなる測定時から1年後の糖尿病の進行度を示す値

となっている。

　データ数は、合計で442件である。

引用のための情報

　このデータセットは、基本的に自由に使用できる（※ライセンスは指定されていない）。

　データセットを引用する際に使える情報を以下にまとめておく。

• 論文著者： Bradley Efron, Trevor Hastie, Iain Johnstone and Robert Tibshirani
• タイトル： Least Angle Regression, Annals of Statistics (with discussion), 407-499.
• 公開年： 2004
• URL： https://hastie.su.domains/Papers/LARS/
• 元のデータセット（diabetes.data）ファイル
• 前述の方法（平均0、ユークリッドノルム1）で正規化されたデータセット（diabetes.sdata.txt）ファイル
• 論文PDFファイル： https://web.stanford.edu/~hastie/Papers/LARS/LeastAngle_2002.pdf

利用方法

　実際にDiabetesデータセットを使うには、ライブラリscikit-learnが提供する機能を利用することをお勧めする。ムダな作業を省いて、効率的に使えるためだ。※なお、TensorFlow／Keras／PyTorchにはDiabetesデータセットは用意されていなかった。

　以下に、scikit-learnで「どのようなコードを書くとDiabetesデータセットが使えるか」の典型的なコードを簡単に示しておく。

scikit-learn

# !pip install scikit-learn  # ライブラリ「scikit-learn」をインストール

from sklearn.datasets import load_diabetes

diabetes = load_diabetes()

リスト1　scikit-learnでDiabetesデータセットを利用する基本的なコード

　sklearn.datasets.load_diabetes()関数を呼び出せばよい。戻り値として（sklearn.utils.Bunch型の）辞書オブジェクトを返す。その配下の、

• dataにデータが
• targetにラベル（目的変数の値）が
• feature_namesに特徴量名が
• 関数の引数にas_frame=Trueを含めた場合は、frameに全11列のpandasデータフレーム（※target列は最後の列）が

格納されている。各項目の値は前述の方法（平均0、ユークリッドノルム1）で正規化された値となっている。scikit-learnのバージョン1.1以降では、関数の引数にscaled=Falseを指定することで、正規化されていない元の値を取得することもできる。

「AI・機械学習のデータセット辞典」