简介面向医疗数据分类入门者的一套完整中风预测项目采用Jupyter Notebook实现基于Kaggle公开数据按性别、年龄、疾病史与吸烟状况等特征预测中风风险并以F1分数与AUC均达到1.0为优化目标适合学习特征工程、模型评估与可视化分析。压缩包共11个文件大小4.36MB包含3个ipynb分析笔记、训练好的.pkl模型、原始CSV数据集、Python脚本、部署所需的Procfile、sh配置及说明文档兼顾从建模到部署的完整链路。目前已有739人学习。借助这套项目可快速复现模型训练流程理解医疗数据清洗与分类建模的关键步骤还能参考其部署配置是一份紧凑且可操作性强的实践资料。1. 脑卒中预测模型不是玄学是能救命的二分类问题每年体检报告出来总有人盯着血压、血糖、BMI 那一栏发呆不知道这几个数字放在一起意味着什么。stroke-prediction-model 这个项目本质上就是把这几个常规指标和历史病例喂给模型让它告诉你这个人在未来会不会中风。它不是什么实验室里遥不可及的成果而是一个标准的监督学习二分类问题特征是体检数据和生活方式标签是是否发生过脑卒中。你能在这个项目里跑通的东西直接套用到心梗预测、糖尿病并发症预测上也成立。它适合两类人一类是刚学完 sklearn 想找个真实数据集练手的数据分析师另一类是想把机器学习引入体检报告解读的业务方——哪怕最后只做到风险评估分级也已经比单看某个体检指标的“异常箭头”有用得多。2. 读懂 CSV 先看懂病历stroke 数据集的字段含义与清洗边界2.1 数据集的 12 列哪些是信号哪些是噪音先说明一下这里说的“stroke 数据集”是什么。最常见的公开来源是 Kaggle 的 Brain Stroke Dataset一个 CSV 文件大约 5000 行左右每行代表一位住院或体检患者。别看行数不多字段的医学含义和可挖掘程度比很多百万级数据集要高。它的 12 列分别是字段类型说明id数值患者唯一标识训练时直接丢弃gender二分类男 / 女age连续值年龄hypertension二分类是否患有高血压0 或 1heart_disease二分类是否患有心脏病0 或 1ever_married二分类是否曾结婚实际上是年龄的一个代理变量work_type多分类工作类型政府工作、个体户、私营企业、儿童、退休Residence_type二分类城市 / 农村avg_glucose_level连续值平均血糖水平bmi连续值身体质量指数smoking_status多分类吸烟状态从不吸烟、戒烟、吸烟、未知stroke二分类标签是否发生过脑卒中1 为正例这里第一个坑就出现了ever_married 这个字段本身没有因果意义但它和年龄强线性相关——儿童不可能结婚退休老人绝大多数结过婚。有些初学者把它当成独立特征直接喂进去结果模型给“已婚”赋予了很高的权重看起来像是“结婚会中风”实际上是模型拿它当年龄的代用品。建议把这个字段和 age 一起做交叉特征再进模型或者干脆丢弃。处理这个 CSV 的最小代码是这样import pandas as pd df pd.read_csv(stroke.csv) # 丢弃无信息字段 df.drop(columns[id], inplaceTrue) # 类别字段转成 category 类型方便后续处理 cat_cols [gender, work_type, Residence_type, smoking_status, ever_married] for c in cat_cols: df[c] df[c].astype(category) print(df.dtypes) print(正例占比: %.4f % df[stroke].mean())正例占比这一行最关键。公开数据集的 stroke 标签占比通常在 1.5% 到 2% 之间这是一个极度不平衡的二分类问题。如果你不做任何处理直接训练逻辑回归模型会学会“全部预测为 0”准确率高达 98%但你什么都预测不出来。这就是为什么这个项目不是简单地“跑通一个模型”就完事要从数据层面就意识到不平衡的存在。2.2 清洗不是删行而是审问数据从哪里来再来啃硬骨头age、bmi、smoking_status 三个字段各有各的毛病。age 字段里最容易出现年龄为 0 的记录。这批数据里大约有几十行 age0对应的 work_type 是“children”合理地解释是这些是婴幼儿记录。处理方式是保留还是剔除保留因为中风风险在年龄分布上是右偏的婴幼儿样本能帮助模型把“年龄小低风险”这个边界学到。但如果是 0 岁且 avg_glucose_level 反常地高说明记录有误直接剔除更稳妥。bmi 的缺失率在公开数据集里大概有 4% 左右。直接用 dropna 会丢掉这些行但更常见的问题是 bmi 与性别、年龄的交互信息——女性在低 BMI 区间的心血管保护效应在中老年后会消失这种交互不是缺失值填充能解决的。处理办法是结合 avg_glucose_level 和 age 做条件填充否则模型会低估 BMI 的梯度效应。smoking_status 里的“Unknown”是个大坑。它占了接近 30% 的比例看起来像是一个合法类别其实它是数据采集时的缺失标记。如果你把它当成一个真实的类别做 one-hot模型会学到“Unknown 的人风险更高”这纯粹是采集偏差导致的幻觉。我处理这个字段时的做法是把 Unknown 单独标记为缺失然后用多分类模型比如简单的随机森林基于 age、work_type、gender 做预测填充而不是直接填众数“从不吸烟”。下面是完整的数据清洗流程import numpy as np # 1. 剔除明显异常age0 但血糖过高的记录 df df[~((df[age] 0) (df[avg_glucose_level] 120))] # 2. bmi 条件填充按 age 四分位和中位数填充 for q in [0.25, 0.5, 0.75]: low, high df[age].quantile(q - 0.25), df[age].quantile(q 0.25) mask (df[age] low) (df[age] high) median_bmi df.loc[mask, bmi].median() df.loc[mask df[bmi].isna(), bmi] median_bmi # 3. smoking_status 的 Unknown 视为缺失用其他特征预测填充 from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import cross_val_score df[smoking_status] df[smoking_status].replace(Unknown, np.nan) known df[df[smoking_status].notna()] unknown df[df[smoking_status].isna()] X_known known[[age, gender, work_type]].copy() X_known pd.get_dummies(X_known, drop_firstTrue) y_known known[smoking_status] X_unknown unknown[[age, gender, work_type]].copy() X_unknown pd.get_dummies(X_unknown, drop_firstTrue) clf RandomForestClassifier(n_estimators100, random_state42) clf.fit(X_known, y_known) df.loc[df[smoking_status].isna(), smoking_status] clf.predict(X_unknown)逻辑说明第 3 步你是拿“已知吸烟状态的人”的年龄、性别、工作类型做训练再对“未知”的人做预测填充。这么做保留了 smoking_status 与年龄的大趋势——年轻群体中 Unknown 的比率更高如果直接填众数等于把年轻人全部塞进“从不吸烟”组模型的年龄斜率会被拉平后面做可解释性分析时 SHAP 值会变得很怪。参数说明随机森林用 100 棵树在这个场景已经足够树的深度不需要刻意限制因为训练集只有几千行过拟合风险主要在特征层面而不是树的结构层面。如果你发现填充后的类别分布在 validate 集上变化很大可以把 n_estimators 降到 50并用交叉验证检查稳定性。2.3 处理类别不平衡不要在全局做 SMOTE类别不平衡的常规解法是过采样、欠采样、SMOTE 以及加权损失函数。很多教程直接告诉你“用 SMOTE 就行”但没说清楚一个细节SMOTE 必须在训练集内部做不能拿全套数据做完了再切训练测试集。一旦你先 SMOTE 再切分合成样本的邻近样本会同时出现在训练集和测试集里测试集被“污染”了验证指标会虚高——这是典型的 data leakage。正确的做法是把数据切分后再在训练集上过采样。SMOTE 本身是合成少数类样本的插值算法它对连续特征有效对类别特征会产生不合逻辑的组合比如“性别男”但“是否结婚否”且“年龄2 岁”的冲突样本。我一般会先对类别特征做 one-hotSMOTE 生成的样本在 one-hot 空间里大多还是连续的最后需要把超过 0.5 的维度重新阈值化否则后续树模型还能用但逻辑回归会认为特征组合是合理的产生误导。如果你用 XGBoost 或 LightGBM最简单也最不容易出问题的做法不是 SMOTE而是调 scale_pos_weight值约为负例数量除以正例数量。这个参数的效果和给正例加权等价不需要额外的数据生成也不存在泄漏问题是实战里最稳妥的起手式。3. 特征工程把年龄、血糖、BMI 变成模型真正能用的信号3.1 连续特征的截断、分箱与交互原始数据里的 avg_glucose_level 和 bmi 是连续的但在真实世界里医生不会说“你的血糖偏高 0.3”而会说“你的血糖已经进入糖耐量异常区间”。树模型能够自动在分裂点找到这些区间但逻辑回归不能。所以特征工程的第一步是决定你要用哪种模型再倒推特征怎么造。如果你坚持用逻辑回归做基线建议把血糖和 BMI 做分箱同时保留原始值作为连续特征。分箱时不要用等距分箱等距分箱在年龄段会把 0 到 80 均匀切切出来的结果全是人口分布噪音没有医学意义。用等频分箱或者按医学标准手动划定区间更好。比如血糖低于 6.1 的为正常6.1 到 7.0 为糖耐量异常高于 7.0 为糖尿病疑似区间这三个区间和脑卒中风险的流行病学结论是对得上的。交互特征则是这个项目的加分项。高血压和心脏病单独分开看各自权重都不高但如果一个人同时有高血压和糖尿病疑似血糖风险会显著拉高。这类交互效应靠树模型的自动分裂也能学一部分但显式地把乘积项或逻辑与项喂进去对逻辑回归的收益非常明显。# 血糖分箱 df[glucose_bin] pd.cut( df[avg_glucose_level], bins[0, 6.1, 7.0, np.inf], labels[normal, prediabetes, diabetes], ) # 高血压与血糖的交互 df[htn_glucose] df[hypertension] * (df[glucose_bin] diabetes).astype(int) # 年龄与 BMI 的交互 df[age_bmi] df[age] * df[bmi] # 构造 BMI 异常标记 df[bmi_high] (df[bmi] 27.9).astype(int)这里把年龄乘 BMI 作为特征看起来是把两个连续变量强凑成了一个高数值变量实际上这是在模拟“代谢综合征”的概念——高 BMI 加年龄增长带来的风险不是线性叠加而是近似乘积的关系。如果你对数值范围敏感可以先各自标准化再相乘这样交互项的量级不会把其他特征压死。我通常不会做太多次方或开方变换因为这些变量在医学上早已被研究成对数线性关系强行多项式化只会增加过拟合面。3.2 编码方式为什么对年龄分箱比直接标签编码好工作类型、吸烟状态和性别这三个类别特征直接 LabelEncoder 是错误做法因为这会让模型误以为“政府1、个体2、私营3”是有序的而实际上它们之间没有顺序关系。One-hot 是稳妥的但有些字段的基数你会发现很高比如 work_type 有 5 个类别one-hot 之后产生 4 个新列没什么问题但 smoking_status 如果算上 Unknown 后有 4 类会产生 3 列其中“从不吸烟”是频率最高的一类会被当成参考类其余各类的系数都相对它而言解释这样 OK。不过有个问题one-hot 之后脚本能跑但业务方来问“为什么从不吸烟的人中风风险比戒烟的人还高”你会很难解释。统计上这是因为“从不吸烟”群体里混入了大量年轻人而“戒烟”群体多半是年龄偏大的老烟民。要讲清楚这个事一个技巧是把 age 做分箱后与 smoking_status 做交叉表展示每个吸烟状态下的年龄中位数。这不改变模型但能让你的解释站得住脚。你还可以考虑用目标编码用同一组样本的“平均中风率”作为该类别的新编码。比如“戒烟”这个类别的目标均值可能高于“从不吸烟”于是编码数值自然更大。这在树模型上非常有效但必须防泄漏——目标编码必须在训练集内算均值测试集用训练集的统计量去映射否则测试集信息会被间接引入训练过程。3.3 缺失值的边界什么时候值得预测填充什么时候放弃bmi 的缺失率只有 4%用中位数或条件中位数填充就够了不值得大动干戈。但 smoking_status 的 Unknown 接近 30%这个缺失率如果再填众数模型就会发现“Unknown 变成从不吸烟”这个类别后从不吸烟的中风率反而波动异常。我的建议是bmi 缺失用年龄分层中位数填充不引入额外模型误差smoking_status 缺失用预测填充但要在评估时检查填充后类别比例是否偏离先验如果某批数据的缺失率高于 50%放弃填充单独生成一个 is_missing 标记列让模型自己去学“缺失本身就是一种状态”。第 3 条尤其适用于真实医院数据。Tableau 类的 BI 工具看不出来但机器学习模型见过太多“缺失和异常捆绑在一起”的案例——往往是某段时间的数据采集员偷懒导致整批记录的 smoking_status 全是 Unknown而这种记录对应的患者群体可能在年龄结构上都不一样。你把它填掉等于掩盖了一种真实存在的偏差。保留 is_missing 列模型至少有机会去利用这个信号。4. 从逻辑回归到 LightGBM基线、集成、类别不平衡三步走4.1 基线模型的建模顺序与评估协议任何预测模型项目都应该先跑一个简单的基线再上黑匣子。基线的作用有两个验证数据管线没有 bug、定一个指标下限。这里先不急着上复杂模型我把数据集按 7:3 划分同时做分层抽样保证 test 集里正例比例和 full 集一致。如果你用train_test_split的时候不传stratify在 1.8% 的正例比例下测试集可能一个正例都分不到那你后面所有评估都无从谈起。这里的代码写法要认真看from sklearn.model_selection import train_test_split X df.drop(columns[stroke]) y df[stroke] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy, # 分层抽样保证正例比例在 train/test 中一致 )逻辑说明stratifyy让切分算法在选样本时按 y 的类别比例做配额避免随机切分导致的小类别丢失。对于这种正例只有 2% 的数据集这一步不是可选项而是必选项。基线模型用逻辑回归加标准化的组合。注意逻辑回归需要归一化特征因为年龄的数值范围是 0 到 80血糖是 50 到 300BMI 是 15 到 50不归一化的话梯度下降在表达能力上会偏向数值大的特征虽然最终收敛但训练时间变长系数解释也不直观。from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, average_precision_score # 对训练集做 one-hot保持测试集和训练集列一致 X_train pd.get_dummies(X_train, drop_firstTrue) X_test pd.get_dummies(X_test, drop_firstTrue) X_test X_test.reindex(columnsX_train.columns, fill_value0) pipe make_pipeline( StandardScaler(), LogisticRegression(max_iter1000, class_weightbalanced), ) pipe.fit(X_train, y_train) y_prob pipe.predict_proba(X_test)[:, 1] print(ROC-AUC: %.4f % roc_auc_score(y_test, y_prob)) print(PR-AUC: %.4f % average_precision_score(y_test, y_prob))class_weightbalanced是在损失函数层面给正例更高的惩罚权重权重与类别频率成反比。这是逻辑回归处理不平衡最简单的方式不需要额外采样。reindex(columnsX_train.columns, fill_value0)这行经常被人漏掉one-hot 之后测试集如果缺少训练集里出现的某个类别列数会不一致模型调用会直接报错反之测试集里出现新类别会被原始 get_dummies 多出一列必须用 reindex 掐掉。看 ROC-AUC 的时候要留个心眼ROC-AUC 在某些极端不平衡场景下会虚高因为假阳性率的分母所有负例很大即使产生不少假阳性FPR 依然很低。这个数据集更值得看 PR-AUC也就是 average_precision_score它在正例极少时能反映模型在“找到正例”这件事上的精确率与召回率的平衡。4.2 XGBoost 与 LightGBM 的实战参数起点如果基线能跑到 0.85 以上的 ROC-AUC说明信号是存在的接下来就轮到集成模型上场。对于几千行的小样本XGBoost 和 LightGBM 的表现通常差别不大但 LightGBM 在训练速度和内存上更优势特别是你用 one-hot 之后的稀疏矩阵喂它时优势更明显。初次训练不要一上来就调参先跑一组合理的默认点from lightgbm import LGBMClassifier lgb LGBMClassifier( n_estimators300, learning_rate0.05, num_leaves31, max_depth5, subsample0.8, colsample_bytree0.8, scale_pos_weighty_train.value_counts()[0] / y_train.value_counts()[1], random_state42, ) lgb.fit( X_train, y_train, eval_set[(X_test, y_test)], eval_metricauc, ) y_prob_lgb lgb.predict_proba(X_test)[:, 1] print(LGB PR-AUC: %.4f % average_precision_score(y_test, y_prob_lgb))scale_pos_weight用负例数除以正例数来算在这个数据集里大约就是 50 左右。这个值和逻辑回归里的 class_weight 是等价思想只是 LightGBM 把它暴露成了独立参数。eval_set必须在调参过程中始终用固定的验证集不能每次随机切分否则你看到的“变好”只是数据切分带来的波动翻车概率极高。关于num_leaves在叶子节点数相同的情况下LightGBM 比 XGBoost 可以表达更复杂的函数。如果你在小样本上把这个参数调太大模型会疯狂分裂记忆训练集你会在验证集上看到一小段上升后快速下跌的曲线。一般我先定max_depth5把树的深度锁住再去动其他参数能少掉很多头发。4.3 为什么在 5000 行上 5 折交叉验证比单独验证集更可靠样本量不大时单独划分一个 test 集的指标方差很大。同样是随机种子 42 和 2024ROC-AUC 可能相差 0.03这一点在业务汇报时非常致命。我的做法是内部用 5 折交叉验证外部留一个独立 test 集只用来做最终确认平时所有调参操作都看交叉验证的均值。from sklearn.model_selection import StratifiedKFold, cross_val_predict cv StratifiedKFold(n_splits5, shuffleTrue, random_state0) y_cv_pred cross_val_predict(lgb, X_train, y_train, cvcv, methodpredict_proba)[:, 1] print(CV PR-AUC: %.4f % average_precision_score(y_train, y_cv_pred))cross_val_predict输出的不是一次模型预测而是每一折模型对对应验证部分的预测拼起来的因此每个训练样本的预测值都来自一个“没见过它”的模型。这能比较诚实地反映模型在未知数据上的概率输出分布。但要注意cross_val_predict的输出不能用于计算需要全局阈值的指标比如 F1因为每一折的预测分数尺度可能略有差别拼在一起后阈值会失真。PR-AUC 和 ROC-AUC 这类排序指标影响较小。到这里你已经拥有了一个能跑通、结果可复现的基线模型和一个树模型。下一章专门讲我在实际项目里翻过车的地方这些坑不看代码永远发现不了。5. 训练避坑清单数据泄漏、指标骗局、过拟合预警5.1 现象测试集 ROC-AUC 0.96业务验证一塌糊涂原因把特征工程里的统计量计算放在切分之前了。我在一个类似项目里犯过这样的错误先对全量数据做了StandardScaler.fit()得到均值和方差然后才切分训练集和测试集。测试集的均值和方差已经参与到了训练过程里虽然不严重但测试集的指标会被“已知分布”抬高。如果换成目标编码或缺失值填充这类带有标签信息的操作泄漏就非常严重了。解决所有统计量型操作包括填充中位数、目标编码类别均值、标准化均值方差全部在训练集内计算然后应用transform到测试集。我习惯把这个固定流程封装成一个函数每次做实验从函数入口进入而不是在 Notebook 单元格里随手写。提示判断是否泄漏的方法很简单——把你做特征工程的代码跑两遍一遍用全量数据一遍只用训练集数据比较测试集指标差异。差异超过 0.01 就要警惕泄漏了。5.2 现象准确率 98%实际一张病人报告都不敢出原因陷入了 accuracy 的骗局。98% 的准确率在 1.8% 的正例比例下毫无意义模型把所有样本都预测为负例就能拿到 98%。这类数据集的正确打开方式是 PR-AUC 和假阳性率的业务代价分析——如果模型漏掉一个真正的中风高风险患者代价远远高于把 10 个低风险者标记为高风险。解决先和业务方确认场景。如果这个模型是用来“筛选高风险人群做进一步检查”那宁可牺牲精确率也要提高召回率并设置一个比 0.5 更低的决策阈值。这个阈值的选择不能看 AUC要看实际可用场景下的假阳性数量。比如验证集上有 200 个负例你能接受把它们中的多少个误判为高风险反推阈值。5.3 现象LightGBM 训练集 PR-AUC 0.98测试集 0.61原因过拟合。这个数据集的真实信号能撑起的 PR-AUC 上限大约在 0.60 到 0.70 之间超过这个值大概率是在记忆噪声。我在初调 num_leaves 时拉到了 128训练集指标直接逼近完美。解决把 num_leaves 限制在 16 到 31 之间并打开reg_alpha和reg_lambda做 L1/L2 正则。L2 正则能让权重均匀化L1 正则能直接把某些噪声特征的权重压到 0。我在小样本数据集上常用的组合是reg_alpha0.1、reg_lambda1.0。如果想更稳妥在 eval_set 上打开early_stopping_rounds50一旦验证集指标连续 50 轮不改进就停止训练。5.4 现象bmi 填充后又出现大片缺失原因不是代码问题是原始数据里有 bmi 0 的记录0 被当作真实值保留了下来随后在特征工程中这些 0 没有参与条件中位数填充的逻辑最后被模型当成有意义的数值。中风风险模型如果对 bmi0 的人产生极端预测说出来就是个笑话。解决清洗阶段就把 bmi 中小于等于 0 的记录视为缺失与真实缺失一并处理。用df[bmi].replace(0, np.nan, inplaceTrue)统一标记再走填充流程。5.5 现象SHAP 值解释里“从不吸烟”比“戒烟”风险更高原因这可能不是模型错而是“从不吸烟”群体年龄偏小年龄变量吸收了风险解释模型给 smoking_status 的残余权重就被扭曲了。如果 age 没有老年人口抽样偏差这个现象不会出现但公开数据集多半是从体检记录里扒下来的老年人体检率高年轻人体检率低。解决不纠结单个变量的方向而是用依赖图看 smoking_status 与 age 的交互效应。如果这个交互在图中清晰可见说明模型学到的逻辑是合理的只是系数解释起来要绕一层。你还可以训练一个去掉 age 的对比模型看看 smoking_status 的系数方向变化用这个差异来给业务方解释。6. 用 SHAP 看预测理由用阈值换回可解释性模型跑完不是结束业务方或临床人员一定会问一句“你说这个人风险高依据是什么”如果你答不上来模型就进不了正式的决策流程。我的做法是让 SHAP 值说话它能把黑匣子的每一次预测拆成各个特征的贡献度直接给出一个可复核的决策理由。import shap explainer shap.TreeExplainer(lgb) shap_values explainer.shap_values(X_test) # 强制解释单个患者 shap.initjs() shap.force_plot(explainer.expected_value, shap_values[0, :], X_test.iloc[0, :])上面这段代码输出的是一个 force plot它会显示基线预测值全体样本的平均预测概率和这个患者每个特征在上面的正向或负向拉力。比如基线概率是 0.02某个患者的 age 贡献值 0.03hypertension 0.01bmi 贡献 -0.005最终预测概率就是大约 0.045。它比“模型权重”可靠得多因为权重在高度相关特征之间会漂移而 SHAP 值是按特征实际贡献计算的。接下来是阈值调整。这个模型默认用 0.5 作为判定阈值会漏掉大量真正的高风险患者需要基于 PR 曲线找到业务上可接受的临界点。在验证集上模拟一下分别尝试 0.1、0.2、0.3 三个阈值计算每种阈值下的精确率和召回率。如果业务侧的资源条件允许对预测为正例的患者做二次检查偏向召回率的阈值完全可行。from sklearn.metrics import precision_recall_curve precision, recall, thresholds precision_recall_curve(y_test, y_prob_lgb) f1_scores 2 * precision * recall / (precision recall) best_idx np.argmax(f1_scores) best_threshold thresholds[best_idx] print(最优 F1 阈值: %.3f, F1: %.3f % (best_threshold, f1_scores[best_idx]))不过用 F1 最大化选出最优阈值在医学场景里未必合适。F1 把精确率和召回率等权看待但在脑卒中预测这个场景里漏诊的代价远高于误报的代价。我更习惯的做法是先和业务方确认“可容忍的假阳性数量上限”再反推阈值。比如验证集有 300 个负例业务方说最多能承受 10 个假阳性那就在验证集上把阈值从小往大调第一次让假阳性数小于 10 的阈值就是下限。我的个人习惯是把这整套流程沉淀成一个可复用的预测评价脚本包括交叉验证、PR 曲线、阈值选择、SHAP 输出四个部分。下次换一个疾病数据集只需要修改字段映射和业务阈值约束其他代码原样复用。stroke-prediction-model 最好的产出不是那份准确率报告而是这套从原始 CSV 到可解释预测的完整链路——模型能不能部署上线反而次要重要的是你已经能让一份体检数据在几分钟内变成一个有量化依据的风险判断。希望帮到你。本文还有配套的精品资源点击获取
简介面向医疗数据分类入门者的一套完整中风预测项目采用Jupyter Notebook实现基于Kaggle公开数据按性别、年龄、疾病史与吸烟状况等特征预测中风风险并以F1分数与AUC均达到1.0为优化目标适合学习特征工程、模型评估与可视化分析。压缩包共11个文件大小4.36MB包含3个ipynb分析笔记、训练好的.pkl模型、原始CSV数据集、Python脚本、部署所需的Procfile、sh配置及说明文档兼顾从建模到部署的完整链路。目前已有739人学习。借助这套项目可快速复现模型训练流程理解医疗数据清洗与分类建模的关键步骤还能参考其部署配置是一份紧凑且可操作性强的实践资料。1. 脑卒中预测模型不是玄学是能救命的二分类问题每年体检报告出来总有人盯着血压、血糖、BMI 那一栏发呆不知道这几个数字放在一起意味着什么。stroke-prediction-model 这个项目本质上就是把这几个常规指标和历史病例喂给模型让它告诉你这个人在未来会不会中风。它不是什么实验室里遥不可及的成果而是一个标准的监督学习二分类问题特征是体检数据和生活方式标签是是否发生过脑卒中。你能在这个项目里跑通的东西直接套用到心梗预测、糖尿病并发症预测上也成立。它适合两类人一类是刚学完 sklearn 想找个真实数据集练手的数据分析师另一类是想把机器学习引入体检报告解读的业务方——哪怕最后只做到风险评估分级也已经比单看某个体检指标的“异常箭头”有用得多。2. 读懂 CSV 先看懂病历stroke 数据集的字段含义与清洗边界2.1 数据集的 12 列哪些是信号哪些是噪音先说明一下这里说的“stroke 数据集”是什么。最常见的公开来源是 Kaggle 的 Brain Stroke Dataset一个 CSV 文件大约 5000 行左右每行代表一位住院或体检患者。别看行数不多字段的医学含义和可挖掘程度比很多百万级数据集要高。它的 12 列分别是字段类型说明id数值患者唯一标识训练时直接丢弃gender二分类男 / 女age连续值年龄hypertension二分类是否患有高血压0 或 1heart_disease二分类是否患有心脏病0 或 1ever_married二分类是否曾结婚实际上是年龄的一个代理变量work_type多分类工作类型政府工作、个体户、私营企业、儿童、退休Residence_type二分类城市 / 农村avg_glucose_level连续值平均血糖水平bmi连续值身体质量指数smoking_status多分类吸烟状态从不吸烟、戒烟、吸烟、未知stroke二分类标签是否发生过脑卒中1 为正例这里第一个坑就出现了ever_married 这个字段本身没有因果意义但它和年龄强线性相关——儿童不可能结婚退休老人绝大多数结过婚。有些初学者把它当成独立特征直接喂进去结果模型给“已婚”赋予了很高的权重看起来像是“结婚会中风”实际上是模型拿它当年龄的代用品。建议把这个字段和 age 一起做交叉特征再进模型或者干脆丢弃。处理这个 CSV 的最小代码是这样import pandas as pd df pd.read_csv(stroke.csv) # 丢弃无信息字段 df.drop(columns[id], inplaceTrue) # 类别字段转成 category 类型方便后续处理 cat_cols [gender, work_type, Residence_type, smoking_status, ever_married] for c in cat_cols: df[c] df[c].astype(category) print(df.dtypes) print(正例占比: %.4f % df[stroke].mean())正例占比这一行最关键。公开数据集的 stroke 标签占比通常在 1.5% 到 2% 之间这是一个极度不平衡的二分类问题。如果你不做任何处理直接训练逻辑回归模型会学会“全部预测为 0”准确率高达 98%但你什么都预测不出来。这就是为什么这个项目不是简单地“跑通一个模型”就完事要从数据层面就意识到不平衡的存在。2.2 清洗不是删行而是审问数据从哪里来再来啃硬骨头age、bmi、smoking_status 三个字段各有各的毛病。age 字段里最容易出现年龄为 0 的记录。这批数据里大约有几十行 age0对应的 work_type 是“children”合理地解释是这些是婴幼儿记录。处理方式是保留还是剔除保留因为中风风险在年龄分布上是右偏的婴幼儿样本能帮助模型把“年龄小低风险”这个边界学到。但如果是 0 岁且 avg_glucose_level 反常地高说明记录有误直接剔除更稳妥。bmi 的缺失率在公开数据集里大概有 4% 左右。直接用 dropna 会丢掉这些行但更常见的问题是 bmi 与性别、年龄的交互信息——女性在低 BMI 区间的心血管保护效应在中老年后会消失这种交互不是缺失值填充能解决的。处理办法是结合 avg_glucose_level 和 age 做条件填充否则模型会低估 BMI 的梯度效应。smoking_status 里的“Unknown”是个大坑。它占了接近 30% 的比例看起来像是一个合法类别其实它是数据采集时的缺失标记。如果你把它当成一个真实的类别做 one-hot模型会学到“Unknown 的人风险更高”这纯粹是采集偏差导致的幻觉。我处理这个字段时的做法是把 Unknown 单独标记为缺失然后用多分类模型比如简单的随机森林基于 age、work_type、gender 做预测填充而不是直接填众数“从不吸烟”。下面是完整的数据清洗流程import numpy as np # 1. 剔除明显异常age0 但血糖过高的记录 df df[~((df[age] 0) (df[avg_glucose_level] 120))] # 2. bmi 条件填充按 age 四分位和中位数填充 for q in [0.25, 0.5, 0.75]: low, high df[age].quantile(q - 0.25), df[age].quantile(q 0.25) mask (df[age] low) (df[age] high) median_bmi df.loc[mask, bmi].median() df.loc[mask df[bmi].isna(), bmi] median_bmi # 3. smoking_status 的 Unknown 视为缺失用其他特征预测填充 from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import cross_val_score df[smoking_status] df[smoking_status].replace(Unknown, np.nan) known df[df[smoking_status].notna()] unknown df[df[smoking_status].isna()] X_known known[[age, gender, work_type]].copy() X_known pd.get_dummies(X_known, drop_firstTrue) y_known known[smoking_status] X_unknown unknown[[age, gender, work_type]].copy() X_unknown pd.get_dummies(X_unknown, drop_firstTrue) clf RandomForestClassifier(n_estimators100, random_state42) clf.fit(X_known, y_known) df.loc[df[smoking_status].isna(), smoking_status] clf.predict(X_unknown)逻辑说明第 3 步你是拿“已知吸烟状态的人”的年龄、性别、工作类型做训练再对“未知”的人做预测填充。这么做保留了 smoking_status 与年龄的大趋势——年轻群体中 Unknown 的比率更高如果直接填众数等于把年轻人全部塞进“从不吸烟”组模型的年龄斜率会被拉平后面做可解释性分析时 SHAP 值会变得很怪。参数说明随机森林用 100 棵树在这个场景已经足够树的深度不需要刻意限制因为训练集只有几千行过拟合风险主要在特征层面而不是树的结构层面。如果你发现填充后的类别分布在 validate 集上变化很大可以把 n_estimators 降到 50并用交叉验证检查稳定性。2.3 处理类别不平衡不要在全局做 SMOTE类别不平衡的常规解法是过采样、欠采样、SMOTE 以及加权损失函数。很多教程直接告诉你“用 SMOTE 就行”但没说清楚一个细节SMOTE 必须在训练集内部做不能拿全套数据做完了再切训练测试集。一旦你先 SMOTE 再切分合成样本的邻近样本会同时出现在训练集和测试集里测试集被“污染”了验证指标会虚高——这是典型的 data leakage。正确的做法是把数据切分后再在训练集上过采样。SMOTE 本身是合成少数类样本的插值算法它对连续特征有效对类别特征会产生不合逻辑的组合比如“性别男”但“是否结婚否”且“年龄2 岁”的冲突样本。我一般会先对类别特征做 one-hotSMOTE 生成的样本在 one-hot 空间里大多还是连续的最后需要把超过 0.5 的维度重新阈值化否则后续树模型还能用但逻辑回归会认为特征组合是合理的产生误导。如果你用 XGBoost 或 LightGBM最简单也最不容易出问题的做法不是 SMOTE而是调 scale_pos_weight值约为负例数量除以正例数量。这个参数的效果和给正例加权等价不需要额外的数据生成也不存在泄漏问题是实战里最稳妥的起手式。3. 特征工程把年龄、血糖、BMI 变成模型真正能用的信号3.1 连续特征的截断、分箱与交互原始数据里的 avg_glucose_level 和 bmi 是连续的但在真实世界里医生不会说“你的血糖偏高 0.3”而会说“你的血糖已经进入糖耐量异常区间”。树模型能够自动在分裂点找到这些区间但逻辑回归不能。所以特征工程的第一步是决定你要用哪种模型再倒推特征怎么造。如果你坚持用逻辑回归做基线建议把血糖和 BMI 做分箱同时保留原始值作为连续特征。分箱时不要用等距分箱等距分箱在年龄段会把 0 到 80 均匀切切出来的结果全是人口分布噪音没有医学意义。用等频分箱或者按医学标准手动划定区间更好。比如血糖低于 6.1 的为正常6.1 到 7.0 为糖耐量异常高于 7.0 为糖尿病疑似区间这三个区间和脑卒中风险的流行病学结论是对得上的。交互特征则是这个项目的加分项。高血压和心脏病单独分开看各自权重都不高但如果一个人同时有高血压和糖尿病疑似血糖风险会显著拉高。这类交互效应靠树模型的自动分裂也能学一部分但显式地把乘积项或逻辑与项喂进去对逻辑回归的收益非常明显。# 血糖分箱 df[glucose_bin] pd.cut( df[avg_glucose_level], bins[0, 6.1, 7.0, np.inf], labels[normal, prediabetes, diabetes], ) # 高血压与血糖的交互 df[htn_glucose] df[hypertension] * (df[glucose_bin] diabetes).astype(int) # 年龄与 BMI 的交互 df[age_bmi] df[age] * df[bmi] # 构造 BMI 异常标记 df[bmi_high] (df[bmi] 27.9).astype(int)这里把年龄乘 BMI 作为特征看起来是把两个连续变量强凑成了一个高数值变量实际上这是在模拟“代谢综合征”的概念——高 BMI 加年龄增长带来的风险不是线性叠加而是近似乘积的关系。如果你对数值范围敏感可以先各自标准化再相乘这样交互项的量级不会把其他特征压死。我通常不会做太多次方或开方变换因为这些变量在医学上早已被研究成对数线性关系强行多项式化只会增加过拟合面。3.2 编码方式为什么对年龄分箱比直接标签编码好工作类型、吸烟状态和性别这三个类别特征直接 LabelEncoder 是错误做法因为这会让模型误以为“政府1、个体2、私营3”是有序的而实际上它们之间没有顺序关系。One-hot 是稳妥的但有些字段的基数你会发现很高比如 work_type 有 5 个类别one-hot 之后产生 4 个新列没什么问题但 smoking_status 如果算上 Unknown 后有 4 类会产生 3 列其中“从不吸烟”是频率最高的一类会被当成参考类其余各类的系数都相对它而言解释这样 OK。不过有个问题one-hot 之后脚本能跑但业务方来问“为什么从不吸烟的人中风风险比戒烟的人还高”你会很难解释。统计上这是因为“从不吸烟”群体里混入了大量年轻人而“戒烟”群体多半是年龄偏大的老烟民。要讲清楚这个事一个技巧是把 age 做分箱后与 smoking_status 做交叉表展示每个吸烟状态下的年龄中位数。这不改变模型但能让你的解释站得住脚。你还可以考虑用目标编码用同一组样本的“平均中风率”作为该类别的新编码。比如“戒烟”这个类别的目标均值可能高于“从不吸烟”于是编码数值自然更大。这在树模型上非常有效但必须防泄漏——目标编码必须在训练集内算均值测试集用训练集的统计量去映射否则测试集信息会被间接引入训练过程。3.3 缺失值的边界什么时候值得预测填充什么时候放弃bmi 的缺失率只有 4%用中位数或条件中位数填充就够了不值得大动干戈。但 smoking_status 的 Unknown 接近 30%这个缺失率如果再填众数模型就会发现“Unknown 变成从不吸烟”这个类别后从不吸烟的中风率反而波动异常。我的建议是bmi 缺失用年龄分层中位数填充不引入额外模型误差smoking_status 缺失用预测填充但要在评估时检查填充后类别比例是否偏离先验如果某批数据的缺失率高于 50%放弃填充单独生成一个 is_missing 标记列让模型自己去学“缺失本身就是一种状态”。第 3 条尤其适用于真实医院数据。Tableau 类的 BI 工具看不出来但机器学习模型见过太多“缺失和异常捆绑在一起”的案例——往往是某段时间的数据采集员偷懒导致整批记录的 smoking_status 全是 Unknown而这种记录对应的患者群体可能在年龄结构上都不一样。你把它填掉等于掩盖了一种真实存在的偏差。保留 is_missing 列模型至少有机会去利用这个信号。4. 从逻辑回归到 LightGBM基线、集成、类别不平衡三步走4.1 基线模型的建模顺序与评估协议任何预测模型项目都应该先跑一个简单的基线再上黑匣子。基线的作用有两个验证数据管线没有 bug、定一个指标下限。这里先不急着上复杂模型我把数据集按 7:3 划分同时做分层抽样保证 test 集里正例比例和 full 集一致。如果你用train_test_split的时候不传stratify在 1.8% 的正例比例下测试集可能一个正例都分不到那你后面所有评估都无从谈起。这里的代码写法要认真看from sklearn.model_selection import train_test_split X df.drop(columns[stroke]) y df[stroke] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.3, random_state42, stratifyy, # 分层抽样保证正例比例在 train/test 中一致 )逻辑说明stratifyy让切分算法在选样本时按 y 的类别比例做配额避免随机切分导致的小类别丢失。对于这种正例只有 2% 的数据集这一步不是可选项而是必选项。基线模型用逻辑回归加标准化的组合。注意逻辑回归需要归一化特征因为年龄的数值范围是 0 到 80血糖是 50 到 300BMI 是 15 到 50不归一化的话梯度下降在表达能力上会偏向数值大的特征虽然最终收敛但训练时间变长系数解释也不直观。from sklearn.pipeline import make_pipeline from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, average_precision_score # 对训练集做 one-hot保持测试集和训练集列一致 X_train pd.get_dummies(X_train, drop_firstTrue) X_test pd.get_dummies(X_test, drop_firstTrue) X_test X_test.reindex(columnsX_train.columns, fill_value0) pipe make_pipeline( StandardScaler(), LogisticRegression(max_iter1000, class_weightbalanced), ) pipe.fit(X_train, y_train) y_prob pipe.predict_proba(X_test)[:, 1] print(ROC-AUC: %.4f % roc_auc_score(y_test, y_prob)) print(PR-AUC: %.4f % average_precision_score(y_test, y_prob))class_weightbalanced是在损失函数层面给正例更高的惩罚权重权重与类别频率成反比。这是逻辑回归处理不平衡最简单的方式不需要额外采样。reindex(columnsX_train.columns, fill_value0)这行经常被人漏掉one-hot 之后测试集如果缺少训练集里出现的某个类别列数会不一致模型调用会直接报错反之测试集里出现新类别会被原始 get_dummies 多出一列必须用 reindex 掐掉。看 ROC-AUC 的时候要留个心眼ROC-AUC 在某些极端不平衡场景下会虚高因为假阳性率的分母所有负例很大即使产生不少假阳性FPR 依然很低。这个数据集更值得看 PR-AUC也就是 average_precision_score它在正例极少时能反映模型在“找到正例”这件事上的精确率与召回率的平衡。4.2 XGBoost 与 LightGBM 的实战参数起点如果基线能跑到 0.85 以上的 ROC-AUC说明信号是存在的接下来就轮到集成模型上场。对于几千行的小样本XGBoost 和 LightGBM 的表现通常差别不大但 LightGBM 在训练速度和内存上更优势特别是你用 one-hot 之后的稀疏矩阵喂它时优势更明显。初次训练不要一上来就调参先跑一组合理的默认点from lightgbm import LGBMClassifier lgb LGBMClassifier( n_estimators300, learning_rate0.05, num_leaves31, max_depth5, subsample0.8, colsample_bytree0.8, scale_pos_weighty_train.value_counts()[0] / y_train.value_counts()[1], random_state42, ) lgb.fit( X_train, y_train, eval_set[(X_test, y_test)], eval_metricauc, ) y_prob_lgb lgb.predict_proba(X_test)[:, 1] print(LGB PR-AUC: %.4f % average_precision_score(y_test, y_prob_lgb))scale_pos_weight用负例数除以正例数来算在这个数据集里大约就是 50 左右。这个值和逻辑回归里的 class_weight 是等价思想只是 LightGBM 把它暴露成了独立参数。eval_set必须在调参过程中始终用固定的验证集不能每次随机切分否则你看到的“变好”只是数据切分带来的波动翻车概率极高。关于num_leaves在叶子节点数相同的情况下LightGBM 比 XGBoost 可以表达更复杂的函数。如果你在小样本上把这个参数调太大模型会疯狂分裂记忆训练集你会在验证集上看到一小段上升后快速下跌的曲线。一般我先定max_depth5把树的深度锁住再去动其他参数能少掉很多头发。4.3 为什么在 5000 行上 5 折交叉验证比单独验证集更可靠样本量不大时单独划分一个 test 集的指标方差很大。同样是随机种子 42 和 2024ROC-AUC 可能相差 0.03这一点在业务汇报时非常致命。我的做法是内部用 5 折交叉验证外部留一个独立 test 集只用来做最终确认平时所有调参操作都看交叉验证的均值。from sklearn.model_selection import StratifiedKFold, cross_val_predict cv StratifiedKFold(n_splits5, shuffleTrue, random_state0) y_cv_pred cross_val_predict(lgb, X_train, y_train, cvcv, methodpredict_proba)[:, 1] print(CV PR-AUC: %.4f % average_precision_score(y_train, y_cv_pred))cross_val_predict输出的不是一次模型预测而是每一折模型对对应验证部分的预测拼起来的因此每个训练样本的预测值都来自一个“没见过它”的模型。这能比较诚实地反映模型在未知数据上的概率输出分布。但要注意cross_val_predict的输出不能用于计算需要全局阈值的指标比如 F1因为每一折的预测分数尺度可能略有差别拼在一起后阈值会失真。PR-AUC 和 ROC-AUC 这类排序指标影响较小。到这里你已经拥有了一个能跑通、结果可复现的基线模型和一个树模型。下一章专门讲我在实际项目里翻过车的地方这些坑不看代码永远发现不了。5. 训练避坑清单数据泄漏、指标骗局、过拟合预警5.1 现象测试集 ROC-AUC 0.96业务验证一塌糊涂原因把特征工程里的统计量计算放在切分之前了。我在一个类似项目里犯过这样的错误先对全量数据做了StandardScaler.fit()得到均值和方差然后才切分训练集和测试集。测试集的均值和方差已经参与到了训练过程里虽然不严重但测试集的指标会被“已知分布”抬高。如果换成目标编码或缺失值填充这类带有标签信息的操作泄漏就非常严重了。解决所有统计量型操作包括填充中位数、目标编码类别均值、标准化均值方差全部在训练集内计算然后应用transform到测试集。我习惯把这个固定流程封装成一个函数每次做实验从函数入口进入而不是在 Notebook 单元格里随手写。提示判断是否泄漏的方法很简单——把你做特征工程的代码跑两遍一遍用全量数据一遍只用训练集数据比较测试集指标差异。差异超过 0.01 就要警惕泄漏了。5.2 现象准确率 98%实际一张病人报告都不敢出原因陷入了 accuracy 的骗局。98% 的准确率在 1.8% 的正例比例下毫无意义模型把所有样本都预测为负例就能拿到 98%。这类数据集的正确打开方式是 PR-AUC 和假阳性率的业务代价分析——如果模型漏掉一个真正的中风高风险患者代价远远高于把 10 个低风险者标记为高风险。解决先和业务方确认场景。如果这个模型是用来“筛选高风险人群做进一步检查”那宁可牺牲精确率也要提高召回率并设置一个比 0.5 更低的决策阈值。这个阈值的选择不能看 AUC要看实际可用场景下的假阳性数量。比如验证集上有 200 个负例你能接受把它们中的多少个误判为高风险反推阈值。5.3 现象LightGBM 训练集 PR-AUC 0.98测试集 0.61原因过拟合。这个数据集的真实信号能撑起的 PR-AUC 上限大约在 0.60 到 0.70 之间超过这个值大概率是在记忆噪声。我在初调 num_leaves 时拉到了 128训练集指标直接逼近完美。解决把 num_leaves 限制在 16 到 31 之间并打开reg_alpha和reg_lambda做 L1/L2 正则。L2 正则能让权重均匀化L1 正则能直接把某些噪声特征的权重压到 0。我在小样本数据集上常用的组合是reg_alpha0.1、reg_lambda1.0。如果想更稳妥在 eval_set 上打开early_stopping_rounds50一旦验证集指标连续 50 轮不改进就停止训练。5.4 现象bmi 填充后又出现大片缺失原因不是代码问题是原始数据里有 bmi 0 的记录0 被当作真实值保留了下来随后在特征工程中这些 0 没有参与条件中位数填充的逻辑最后被模型当成有意义的数值。中风风险模型如果对 bmi0 的人产生极端预测说出来就是个笑话。解决清洗阶段就把 bmi 中小于等于 0 的记录视为缺失与真实缺失一并处理。用df[bmi].replace(0, np.nan, inplaceTrue)统一标记再走填充流程。5.5 现象SHAP 值解释里“从不吸烟”比“戒烟”风险更高原因这可能不是模型错而是“从不吸烟”群体年龄偏小年龄变量吸收了风险解释模型给 smoking_status 的残余权重就被扭曲了。如果 age 没有老年人口抽样偏差这个现象不会出现但公开数据集多半是从体检记录里扒下来的老年人体检率高年轻人体检率低。解决不纠结单个变量的方向而是用依赖图看 smoking_status 与 age 的交互效应。如果这个交互在图中清晰可见说明模型学到的逻辑是合理的只是系数解释起来要绕一层。你还可以训练一个去掉 age 的对比模型看看 smoking_status 的系数方向变化用这个差异来给业务方解释。6. 用 SHAP 看预测理由用阈值换回可解释性模型跑完不是结束业务方或临床人员一定会问一句“你说这个人风险高依据是什么”如果你答不上来模型就进不了正式的决策流程。我的做法是让 SHAP 值说话它能把黑匣子的每一次预测拆成各个特征的贡献度直接给出一个可复核的决策理由。import shap explainer shap.TreeExplainer(lgb) shap_values explainer.shap_values(X_test) # 强制解释单个患者 shap.initjs() shap.force_plot(explainer.expected_value, shap_values[0, :], X_test.iloc[0, :])上面这段代码输出的是一个 force plot它会显示基线预测值全体样本的平均预测概率和这个患者每个特征在上面的正向或负向拉力。比如基线概率是 0.02某个患者的 age 贡献值 0.03hypertension 0.01bmi 贡献 -0.005最终预测概率就是大约 0.045。它比“模型权重”可靠得多因为权重在高度相关特征之间会漂移而 SHAP 值是按特征实际贡献计算的。接下来是阈值调整。这个模型默认用 0.5 作为判定阈值会漏掉大量真正的高风险患者需要基于 PR 曲线找到业务上可接受的临界点。在验证集上模拟一下分别尝试 0.1、0.2、0.3 三个阈值计算每种阈值下的精确率和召回率。如果业务侧的资源条件允许对预测为正例的患者做二次检查偏向召回率的阈值完全可行。from sklearn.metrics import precision_recall_curve precision, recall, thresholds precision_recall_curve(y_test, y_prob_lgb) f1_scores 2 * precision * recall / (precision recall) best_idx np.argmax(f1_scores) best_threshold thresholds[best_idx] print(最优 F1 阈值: %.3f, F1: %.3f % (best_threshold, f1_scores[best_idx]))不过用 F1 最大化选出最优阈值在医学场景里未必合适。F1 把精确率和召回率等权看待但在脑卒中预测这个场景里漏诊的代价远高于误报的代价。我更习惯的做法是先和业务方确认“可容忍的假阳性数量上限”再反推阈值。比如验证集有 300 个负例业务方说最多能承受 10 个假阳性那就在验证集上把阈值从小往大调第一次让假阳性数小于 10 的阈值就是下限。我的个人习惯是把这整套流程沉淀成一个可复用的预测评价脚本包括交叉验证、PR 曲线、阈值选择、SHAP 输出四个部分。下次换一个疾病数据集只需要修改字段映射和业务阈值约束其他代码原样复用。stroke-prediction-model 最好的产出不是那份准确率报告而是这套从原始 CSV 到可解释预测的完整链路——模型能不能部署上线反而次要重要的是你已经能让一份体检数据在几分钟内变成一个有量化依据的风险判断。希望帮到你。本文还有配套的精品资源点击获取
