写一份有关基于机器学习实现丙型肝炎患者检测的python代码，代码中要包含数据预处理、数据清洗（处理缺失值的时候要根据Category、Sex的不同进行平均数填充（保留到有效位数））、且对数据特征进行多种类型的数据可视化，以及代码中要求需要选用多种特征作为特征工程，如Category、Age、Sex、ALB、ALP、ALT、AST、BIL、CHE、CHOL、CREA、GGT、PROT，其中Category为类别（诊断）（值：“ 0 =献血者”，“ 0s =可疑献血者”，“ 1 =肝炎” '，'2 =纤维化'，'3 =肝硬化'），训练模型要采用逻辑回归、决策树、支持向量机、神经网络、knn算法进行训练和优化，以达到最佳效果，然后对模型进行评估，通过制作表格形式来比较模型的准确率、精确率、召回率、F1值,最后先调用fit方法再进行预测再将表格中的模型、准确率、精确率、召回率、F1值进行数据可视化，数据集特征有：Category、Age、Sex、ALB、ALP、ALT、AST、BIL、CHE、CHOL、CREA、GGT、PROT，其中Category为类别（诊断）（值：“ 0 =献血者”，“ 0s =可疑献血者”，“ 1 =肝炎” '，'2 =纤维化'，'3 =肝硬化'），属性4-13是指实验数据。

以下是基于机器学习实现丙型肝炎患者检测的Python代码，包括数据预处理、数据清洗、数据可视化、特征工程、模型训练和优化、模型评估以及结果可视化。代码使用了逻辑回归、决策树、支持向量机、神经网络和KNN算法进行训练和比较。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.model_selection import train_test_split, cross_val_score, GridSearchCV
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.neural_network import MLPClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, classification_report

# 读取数据
data = pd.read_csv('hepatitis.csv')

# 数据预处理和清洗
data.replace('?', np.nan, inplace=True)

# 处理缺失值
for category in data['Category'].unique():
＊＊＊