每年到了毕业设计选题季总会有一批同学盯着GitHub上那些star很高的“机器学习糖尿病预测”仓库下载以后发现跑是能跑但换个数据集就废、老师一问就懵、论文里连图都凑不齐。我自己当年做这个题目时也差不多是这么过来的从“拿逻辑回归交差”到最后把随机森林、XGBoost、交叉验证、ROC曲线全部串起来中间踩了不少坑也把项目源码从“能跑”硬生生改成了“能讲”。这篇文章就是围绕“基于机器学习的糖尿病预测系统”这个毕设题目把从数据准备、特征工程、模型选型、评估指标到系统实现、答辩准备的完整链路拆开写一遍。适合正在做类似题目、或者想用医疗数据做机器学习的同学直接参考。核心目标是让你不仅能跑通源码还能在答辩时把每一步“为什么这么做”说清楚——这是拿高分和混及格的本质区别。1. 为什么选糖尿病预测当毕设数据、场景与预期管理先别急着写代码。毕业设计最重要的一件事是搞清楚你选的题目“底子好不好”。糖尿病预测是机器学习里非常经典的入门级医疗场景公开数据集多、特征维度不高、标签明确模型效果可解释性也强这些属性综合起来意味着你能在有限时间内做完、做透、还能讲明白。1.1 这个题目“小而美”但也有限制“基于机器学习的糖尿病预测系统”这个题目听起来像是个完整系统本质上做的是二分类任务根据患者的生理指标血糖、血压、BMI、年龄、胰岛素等预测是否患病。数据集规模一般都不大经典Pima Indians Diabetes数据集只有768条样本、8个特征Kaggle上的一些糖尿病数据集也就几千条。样本量不大反而是好事——模型训练快、迭代快你可以在毕设周期里反复实验把算法对比和参数调优做扎实。但限制也很明显数据特征太少很难用深度学习这类方法公开数据的采集年代普遍较早特征定义和现代电子病历有差距。所以在论文里不要写“本系统可辅助临床诊断”这样的大话一旦答辩老师细问“你的模型在真实医院数据上表现如何”直接没法接。正确的定位是“基于公开数据集的机器学习建模与预测系统演示”这句话既诚实又安全。1.2 数据源怎么选公开数据集对比我整理三个常见数据源各有优缺点按自己的需求选数据源样本量特征数优点缺点Pima Indians DiabetesUCI7688经典参考文献多便于对比他人结果特征少样本少受限于特定人群Kaggle Diabetes Dataset多数在数千到十万级10-20特征更丰富可做更多可视化分析部分数据集质量参差需要大量清洗CDC Diabetes Health Indicators约25万20样本量大可做深层分析特征多为问卷类离散指标连续性生理数据少做毕设首选Pima或Kaggle小规模数据集。Pima的不足是特征少但好处是你是站在“巨人肩膀”上——几乎所有经典论文都跑过它你的结果有参照物。比如你用随机森林跑Pima准确率通常在0.75到0.82之间这个区间和你查到的文献一致答辩时解释起来有底气。2. 数据集与特征工程先把“脏数据”变成能讲故事的字段很多同学拿到数据第一件事就是train_test_split然后直接塞进模型这在我眼里等于把毛坯房当成精装房直接验收。糖尿病预测这类医疗数据绝大多数公开版本都是“手工整理”的里面藏着大量让你模型悄悄跑偏的细节。2.1 缺失值不要无脑填均值我见过太多初学者对缺失值的处理就是df.fillna(df.mean())这在数据量大的场景可能问题不大但对几百条样本的数据集来说填均值本质上是在向模型“撒谎”——它等于告诉模型缺失的那部分病人指标统统处于平均水平。更稳妥的做法是分两步先弄清楚为什么缺失再决定怎么补。Pima数据集的经典坑在于一些字段如血糖、血压、皮肤厚度、胰岛素会出现0值这在医学上根本不可能实则是缺失值被编码成了0。你得先把0转成NaN再用中位数或KNN插值去补。我当时对比过直接保留0值跑逻辑回归AUC大概0.78转成NaN后用中位数补齐AUC直接到了0.82左右。这一步都不用调模型效果就来了一大截。补充一个细节如果答辩老师问“为什么用中位数而不是均值”你要能答上来——血糖、胰岛素这类指标分布通常右偏均值会被极值拉高用中位数更稳健。如果还想显摆一下可以说“也可以用KNN Imputer基于特征间的相似度填充缺失值”这是加分项。2.2 连续特征分层与相关性筛选糖尿病数据集的8个特征里年龄、BMI、血糖是明显的连续变量但它们对患病风险的贡献不是纯线性的。举个例子年龄从20到40的变化趋势和从50到70的变化趋势对糖尿病风险的影响差异巨大。这种情况下可以尝试特征分箱把连续值切成区间比如年龄按“30、30-45、45-60、60”分段转换成类别特征再观察不同分箱下的患病率变化这部分可视化放进论文里是非常好的“探索性数据分析”素材。特征相关性分析也别只停留在画个热力图。Pima数据中血糖与结果的相关性最高这是常识但皮尔逊相关系数只能捕捉线性关系。你可以做一件事把“年龄-BMI”组合起来生成新特征或者把“血糖-胰岛素”做成比值。我当时构造了一个“age_bmi_ratio”特征模型AUC又涨了一截。这类特征工程的工作是答辩时最能体现你“动了脑子”的地方。2.3 类别不平衡数据平衡策略的取舍Pima数据集768条样本里患病约268条没患病500条比例大约1比2。这个比例不算极端不平衡如果你用准确率评估模型哪怕全部预测为“没患病”准确率也有65%看起来好像“还行”实际上对正样本的预测能力等于零。处理方式有两种一是用SMOTE等过采样方法合成少数类样本二是在训练时给少数类样本分配更高的类别权重class_weight。我个人建议在毕设里把两种都跑一遍然后对比效果。别迷信SMOTE它合成的样本在医疗场景可能不符合真实生理规律而class_weight不需要改变数据分布更稳妥。你可以把不同策略下的准确率、召回率、AUC做成一个三行表格放在论文里这比空谈理论有说服力得多。3. 模型选型与调优基于小样本的对比实验设计模型选型离不了“数据量”这个前提条件。768条样本、8个特征的数据上深度学习纯粹是给自己找罪受——模型复杂度过高、可解释性断崖下跌而且效果大概率不如经典模型。我在这个项目里跑了逻辑回归、KNN、SVM、决策树、随机森林、XGBoost六种模型做了一组完整的对比实验。3.1 先跑通一个最朴素的基线模型任何机器学习项目第一步不是猛上集成模型而是跑通一个最简单的基线模型。逻辑回归就是一个绝佳的基线它在小样本上表现稳定、训练极快、系数直接对应每个特征的贡献方向。你会看到年龄、血糖、BMI的系数显著为正皮肤厚度、胰岛素可能不显著甚至为负——这些信息能帮你从统计意义上理解数据而不是黑盒跑完就完。代码很简短但有几处细节值得注意from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline # 先标准化再训练逻辑回归对特征尺度敏感 model make_pipeline(StandardScaler(), LogisticRegression(max_iter1000)) model.fit(X_train, y_train)为什么要标准化逻辑回归用梯度下降优化时如果不同特征的量纲差距巨大比如年龄40、血糖120、胰岛素200多损失函数的等高线会被拉成狭长椭圆收敛会非常慢甚至不收敛。标准化把所有特征拉到同一尺度训练效率会明显提升。注意StandardScaler要用fit_transform在训练集上学习均值和方差在测试集上只用transform千万别在测试集上重新fit这是很多人会犯的低级错误也容易被答辩老师揪出来。3.2 树模型与集成模型效果升高的代价基线的准确率约0.77-0.80。之后我依次跑了随机森林、XGBoost准确率提高了大约4-6个百分点看起来“高级模型就是更强”。但这里有两个代价要搞清楚。第一个代价是调参成本。随机森林里n_estimators、max_depth、min_samples_splitXGBoost里learning_rate、n_estimators、max_depth、subsample、colsample_bytree每一个参数都有对应的偏差-方差权衡。不做交叉验证就盲目调参你只是在“拟合训练集”。第二个代价是解释性下降。逻辑回归你还能直接说“血糖每升高一个单位患病概率的对数几率增加多少”树模型只能给你特征重要性。但特征重要性恰恰是答辩时的好素材。我用的是默认的feature_importances_属性把血糖、BMI、年龄排在前三画柱状图放进论文。这里有个经验不同模型的feature_importances_排序可能不一致不要只挑好看的那张图最好在一开始的数据分析阶段就用相关性矩阵、互信息等方法确定核心特征让模型结果和统计结果互相印证。3.3 交叉验证别让随机划分骗了你单次划分训练集和测试集结果可能因为随机种子不同而产生巨大波动。我做过一次实验固定模型参数不变只换random_state同一批数据的精确率能在0.72到0.85之间跳。这对毕设来说是致命的——你今天跑出来82%明天答辩现场演示变成了76%很难看。解决方法是交叉验证。我的标准做法是采用5折交叉验证评估模型稳定性能from sklearn.model_selection import cross_val_score scores cross_val_score(model, X, y, cv5, scoringroc_auc) print(fCV AUC: {scores.mean():.4f} (/- {scores.std():.4f}))交叉验证的AUC均值和标准差比任何单次划分都值得写进论文。标准差越小说明模型泛化能力越稳定。就我这个数据集的实际表现来看随机森林和XGBoost的交叉验证标准差会比逻辑回归略大这说明它们在少数折上可能过拟合了——这个结论比“准确率更高”更真实更有讨论空间。4. 评估指标与论文图表拿什么证明你的模型“有效”做医疗预测项目如果论文只写准确率老师会觉得你外行。我上面提到过准确率的骗局类别不平衡时准确率会虚高。糖尿病预测的目标是“筛查高风险人群”更重要的指标是召回率——也就是在所有真正患病的人里有多少被你识别出来了。漏掉一个真病人的代价远比把一个健康人误判成高风险要大。4.1 医疗场景下准确率只是“及格分”我建议在论文的评估部分至少包含四个指标准确率、精确率、召回率、F1-score外加ROC-AUC。前面三个看混淆矩阵的TP/FP/FN/TN就能算出来AUC反映的是模型在不同阈值下的整体判别能力。一个关键点Scikit-learn默认用的是0.5作为分类阈值但这只是为了方便不代表0.5对你的场景最优。如果你更关心召回率可以把阈值降到0.35——模型会更愿意把样本预测为“患病”召回率会升高但误报会增加。这就是“灵敏度”和“特异度”的权衡。你可以计算并绘出“不同阈值下的精确率和召回率变化曲线”这会成为论文里一张很有价值的分析图答辩时你可以说“为了提高筛查覆盖面我选择了召回率大于0.85时的最优阈值代价是精确率降低若干个百分点。”——这句话会一下子拉开你和其他同学的差距。4.2 混淆矩阵与ROC曲线怎么绘制、怎么解读混淆矩阵用sklearn.metrics.confusion_matrix直接生成但不要只贴代码和数字一定要配图。用ConfusionMatrixDisplay画出来纵轴是真实标签横轴是预测标签你会直观看到模型在“患病”类上的错误集中在哪。我当时画完发现很多被误判的样本本身就是血糖较高、年龄较大的说明模型把“高危特征”和“确诊结果”混淆了——这在数据集本身缺乏更多确诊信息时是合理的。ROC曲线建议用RocCurveDisplay.from_estimator绘制重点标记AUC值。AUC在0.8以上说明模型具备中等偏上的判别能力0.85以上在Pima数据集上已经算非常不错的结果。如果自己模型只有0.78也不要慌——公开论文中不少模型的AUC也就这个水平。关键是你要解释清楚“为什么没到0.9”一是特征数量有限二是公开数据集存在噪声三是二分类线性边界本来就无法完全区分这两类人群的复杂生理状态。5. 系统实现与源码组织从训练脚本到可演示的预测界面题目里带“源码”说明不少人希望拿到代码后有“能演示的东西”。一个永远停在Jupyter Notebook里的模型在答辩时是没有冲击力的。你要有一个可交互的界面哪怕只是输入几个数值、戳一下按钮、显示“高风险/低风险”也好。我给自己的要求是让任何一个没有机器学习基础的人打开项目后3分钟内就能用起来。5.1 源码结构如何设计才像“工程”而不像“作业”不推荐把所有代码写进一个几百行的main.py里。哪怕只是个毕设一个好的目录结构也能让老师觉得你具备工程意识。推荐这样组织diabetes_prediction/ ├── data/ │ ├── raw/ # 原始数据集 │ └── processed/ # 清洗后数据 ├── notebooks/ │ └── exploration.ipynb # 探索性数据分析 ├── src/ │ ├── preprocess.py # 数据清洗、特征工程 │ ├── train.py # 模型训练与保存 │ ├── evaluate.py # 评估指标与图表 │ └── app.py # 可视化预测界面 ├── models/ │ └── model.pkl # 训练好的模型文件 ├── requirements.txt └── README.mddata目录分raw和processed是有讲究的——原始数据只读不改所有清洗逻辑放在preprocess.py里这样别人Clone你的仓库后可以复现“从原始数据到最终模型”的全过程。我见过太多人的源码里直接放一个改得面目全非的Excel谁也不知道中间发生了什么。复现性是答辩老师对源码的最高评价标准。5.2 用Streamlit快速搭建一个可演示预测面板界面选择上Flask可以但要写HTML模板麻烦Streamlit是我推荐的方案——纯Python代码就能生成交互式Web页面几行搞定表单提交且支持在页面里直接展示模型训练时的图表。好处是你不需要任何前端基础。核心逻辑其实很短import streamlit as st # 加载训练好的模型 import joblib model joblib.load(models/model.pkl) # 构造用于预测的特征向量 def predict_diabetes(pregnancies, glucose, blood_pressure, skin_thickness, insulin, bmi, diabetes_pedigree, age): sample [[pregnancies, glucose, blood_pressure, skin_thickness, insulin, bmi, diabetes_pedigree, age]] prob model.predict_proba(sample)[0][1] return prob st.title(糖尿病风险预测系统) col1, col2 st.columns(2) with col1: glucose st.number_input(血糖值, min_value0, max_value300, value120) bmi st.number_input(BMI, min_value10.0, max_value60.0, value25.0) with col2: age st.number_input(年龄, min_value18, max_value100, value40) # ... 其他字段 if st.button(开始预测): prob predict_diabetes(...) st.write(f患病风险概率: {prob:.2%}) if prob 0.5: st.warning(高风险建议进一步筛查) else: st.success(低风险请保持健康生活方式)这里有两个细节值得把源码优化一下。第一页面上的数字输入组件范围要尽量贴近数据集中可能出现的合理区间比如血糖0到300BMI10到60防止用户输入8000这种离谱的数值导致预测结果失真第二预测结果不要只给“患病/没患病”这种冷冰冰的二分类最好输出概率值并用st.progress(prob)显示一个进度条视觉上更舒服、也更有“系统感”。5.3 交互流程与风险等级输出的实现细节预测页面背后还有一个容易被忽略的点模型输入的顺序。你训练时特征顺序是[pregnancies, glucose, blood_pressure, skin_thickness, insulin, bmi, diabetes_pedigree, age]那预测时输入的数组顺序也必须完全一致否则结果就是错的。这是一个极其低级的错误但真的有很多人犯。我在源码里使用了一个特征名称列表让预测代码从字典按key构造特征向量而不是硬编码顺序出错率会低很多。另外一个加深项目深度的思路给用户一个“查看特征贡献”的功能。由于当初选用的随机森林支持feature_importances_当用户输入一组特征后我还可以在页面中用条形图展示“当前输入各特征在模型中的权重贡献”虽然这个贡献是全数据集的而非单个样本的但展示出来会让界面非常有“AI分析”的观感也会让答辩老师在体验时觉得你的系统是完整的而不是只有输入和输出。6. 从开发到答辩我把踩过的坑整理成了一份避坑清单最后一章我把自己在这个项目中踩过、也在帮别人看代码时见到的坑集中列出来每一条都是真实代价值换来的。6.1 数据清洗中那些“看上去正常”的异常值Pima数据集中有一类特殊的异常值血糖为0、血压为0。不少教程上来就把它们当作正常数值丢给模型训练结果是模型莫名其妙学到了“血糖为0的人反而不容易得糖尿病”这种荒谬规则。原因就是没意识到0其实是缺失值编码。这个坑最隐蔽的地方在于它不会让你程序报错只会让你的模型效果和解释性同时变差。我的处理方式是两步先用describe()查看每列的最小值如果出现生理上不可能的0值先替换为NaN再统一做缺失值处理然后画出缺失值比例图让老师在论文里一眼就能看到你的“数据清洗前-后”对比。这一步看似简单却是很多高分毕设的标配“工作量”证明。6.2 版本兼容与模型保存的隐藏问题模型保存、加载这块最常见的坑是跨环境不兼容。用joblib.dump(model, model.pkl)保存的模型换到另一台机器加载时如果scikit-learn版本不同可能直接报AttributeError或ModuleNotFoundError。我自己的项目就是从pandas 1.5、sklearn 1.0的环境迁到sklearn 1.2后炸掉的。保险做法是把requirements.txt锁好版本比如scikit-learn1.2.2、pandas2.0.3并且在README中注明“建议使用Python 3.9-3.11环境”。如果要在答辩现场临时演示建议准备两台环境或将模型文件转换成ONNX格式——ONNX的跨版本兼容性比pickle好得多可以作为加分项在论文里提一句。6.3 答辩高频问题与我的回答思路最后说说答辩。老师看机器学习毕设最喜欢反复问的问题不外乎这几个高频问题回答思路你为什么选这个模型对比多模型后随机森林在交叉验证AUC最高且方差较小逻辑回归作为基线可解释性强特征重要性怎么得出的随机森林基于不纯度减少配合皮尔逊相关矩阵、互信息进行交叉印证你的创新点是什么数据清洗中识别了0值缺失编码问题构造了组合特征分析了阈值对灵敏度特异度的影响模型能用于真实临床吗坦诚回答不能公开数据存在人群局限需医院数据外部验证后才可评估泛化性能过拟合怎么处理的交叉验证、限定了树的深度、开启了max_features随机特征选择、使用了类别权重处理不平衡特别提醒一个常见翻车点不要说自己“完成了糖尿病预测系统准确率高达95%”。在Pima这种数据集上95%准确率基本等于在骗人——要么数据泄漏要么用了不该用的信息。一旦老师要求现场复现马上露馅。诚实地说出模型的边界反而会让老师认为你对原理理解透彻这是我最强烈的建议。另外答辩现场演示时提前准备一个已经填写好的示例参数别等老师看着你当场从零手输一串实验参数。我那时在Streamlit界面里加了一个“一键填充示例数据”按钮点一下自动填入一条高危样本整段演示流程流畅很多这个小功能也意外地经常获得好评。