企业官网建设流程全解析

简介：面向计算机、软件工程、医学信息类专业的毕业生及机器学习与Web开发初学者，这份毕业设计论文围绕Python与Django框架，完整梳理了糖尿病预测系统从需求分析到测试交付的全流程。全文涵盖绪论、相关技术（Python与Django）、系统需求分析与概要/详细设计、数据预处理与特征选择、模型构建与训练（含逻辑回归、决策树等算法及评估指标优化）、Django框架下的系统实现、系统测试与性能分析等内容，目录结构清晰，章节安排规范。尤其是对数据清洗、缺失值处理、特征筛选、模型评估和Django视图/模板/数据库设计的阐述，能为毕业设计写作和开发实践提供较完整的参考。资源为单个docx论文文档，压缩包大小约31KB，已有超过240人学习使用，适合需要快速搭建论文结构、了解预测系统实现思路的学生直接借鉴。

1. 为什么一个糖尿病预测系统值得你拆开看

把一份基于 Python 和 Django 的糖尿病预测系统毕业设计当作工程样本去读，能同时摸到两条线：机器学习模型从数据预处理到训练评估的完整链路，以及 Django 从 Model 到 View 再到 Template 的 Web 落地方式。这个系统本身并不复杂，核心是拿 PIMA 印第安人糖尿病数据集这类结构化临床数据，用 scikit-learn 训练分类模型，再通过 Django 包一层用户注册、数据录入、风险查询的界面。适合正在做 Python 毕业设计、想复现 sklearn + Django 组合的开发者，也适合想了解模型如何被 Web 应用调用的后端工程师。我拆这份设计稿时，重点放在了三处：特征工程怎么做才不让模型虚高、模型训练完如何被 Django 视图稳定调用、以及上线前哪些细节容易被忽略。

2. 数据预处理与特征工程：模型精度的地基

2.1 先弄清数据从哪来、长什么样

论文里提到的数据来源包括医院临床记录、生物指标数据，这类场景下最常用的公开数据集是 PIMA Indians Diabetes Database。它包含 768 条女性患者记录，字段覆盖怀孕次数、口服葡萄糖耐量试验 2 小时血浆葡萄糖浓度、舒张压、三头肌皮褶厚度、2 小时血清胰岛素、BMI、糖尿病谱系函数、年龄，以及结果标签 Outcome（0 表示无糖尿病，1 表示有糖尿病）。字段数量不多，但缺失值和零值污染明显，非常适合用来演示预处理的价值。

在真实项目中，数据收集阶段就要定义好字段规范。常见做法是建一张患者临床指标表，字段类型、单位、取值范围都预先约定，避免后续模型训练时做无谓的类型转换。对于这份毕业设计，直接用 pandas 读取 CSV 即可：

import pandas as pd df = pd.read_csv('diabetes.csv') print(df.shape) # (768, 9) print(df.isnull().sum()) # 初始没有显式 NaN print(df.describe())

逻辑说明：先确认数据规模与字段分布，再检查是否存在显式缺失。PIMA 数据集的特殊性在于，部分字段的 0 值在医学上不可能出现，这些 0 值本质上就是缺失值，需要在清洗阶段统一处理。参数说明：shape用于确认行列数，isnull().sum()统计每个字段的空值数量，describe()输出均值、标准差、最小值、最大值等统计量，用来初步判断数据分布是否合理。

2.2 缺失值处理：不要直接 drop，也不要盲目 fillna

对于 Glucose、BloodPressure、SkinThickness、Insulin、BMI 这几个字段，0 值在医学上不合理，应该被视为缺失。处理方式有两种：如果缺失比例低，可以用中位数填充；如果缺失比例高，则要考虑删除该字段或使用模型预测填充。PIMA 数据集中 Insulin 字段的 0 值占比接近一半，直接删除字段或整行删除都不划算，常见做法是保留字段但用中位数填充。

import numpy as np cols_with_zero = ['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI'] for col in cols_with_zero: df[col] = df[col].replace(0, np.nan) # 按标签分组填充中位数，避免引入分布偏移 for col in cols_with_zero: df[col] = df[col].fillna(df.groupby('Outcome')[col].transform('median'))

逻辑说明：先对不合理零值做掩码替换，再按 Outcome 分组计算中位数填充。按标签分组填充比全局填充更精细，保留了两类样本各自的特征分布。参数说明：replace(0, np.nan)将 0 转换为空值，groupby('Outcome')[col].transform('median')返回与原始索引对齐的中位数序列，transform保证填充后的 DataFrame 索引不变。

也可以像论文中提到的那样，用插值方法填充，比如df.interpolate()做线性插值。但要注意，插值法对时间序列数据效果较好，对截面医疗数据并不比中位数填充更有优势，我一般会优先用分组中位数。

2.3 特征选择：相关性分析加上嵌入法筛选

论文里提到了过滤法、包裹法和嵌入法。对这个数据集，最直接的做法是先看特征与目标的相关性，再训练一个随机森林或逻辑回归模型，借助特征重要性做二次筛选。以随机森林为例：

from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split X = df.drop('Outcome', axis=1) y = df['Outcome'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) rf = RandomForestClassifier(n_estimators=200, random_state=42) rf.fit(X_train, y_train) importance = pd.Series(rf.feature_importances_, index=X.columns).sort_values(ascending=False) print(importance)

逻辑说明：随机森林的特征重要性是基于不纯度下降计算的，每个特征的重要性分数代表它对分类决策的贡献程度。这里先用默认参数训练一次，用来观察特征排序，而不是直接作为最终模型。参数说明：n_estimators=200控制树的数量，越大越稳定但训练越慢；random_state=42固定随机种子保证可复现；stratify=y保证训练集和测试集的正负样本比例一致，对类别不平衡数据很重要。

特征选择时，通常会保留 Glucose、BMI、Age、DiabetesPedigreeFunction 这几个头部特征。相关性分析可以用df.corr()['Outcome'].sort_values()来辅助判断，两者结果通常一致。

2.4 标准化与样本划分：防止特征尺度干扰模型

糖尿病数据中各字段的量纲差异很大，Insulin 的数值范围可能是 0 到 800，而 Age 只有 21 到 81。对基于距离的模型或需要梯度下降的模型来说，量纲不一致会让训练过程偏向大数值特征。常见做法是 Z-score 标准化。

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 用字典或 numpy 数组保存 scaler，供 Django 视图后续调用 import joblib joblib.dump(scaler, 'scaler.pkl')

逻辑说明：fit_transform在训练集上计算均值和标准差并完成转换，transform在测试集上复用训练集的统计量，不能重新计算。这里最容易被忽略的是：测试集和后续真实预测数据都必须用同一个 scaler 转换，否则模型输入的分布和训练时不匹配。参数说明：StandardScaler的默认行为是每个特征减去均值再除以标准差，joblib.dump将 scaler 保存为文件，供 Django 后端加载使用。

3. 模型训练与调优：从基线模型到最佳实践

3.1 算法选型：先跑基线，再谈优化

论文提到了朴素贝叶斯、支持向量机、随机森林。实际项目我一般会再加逻辑回归和梯度提升树。逻辑回归作为线性基线，随机森林和梯度提升树作为非线性基线，SVM 视样本量决定是否纳入。先把几个模型用默认参数跑一遍，观察准确率、召回率和 F1 分数，再做有针对性的调优。

以上数值是基于同一种数据划分的大致表现，具体数值会因随机种子和数据预处理方式不同而波动。观察这张表能发现：默认参数下各模型准确率差距不大，真正的差距体现在召回率和 F1。对糖尿病预测场景来说，漏诊的代价高于误诊，所以调优目标应该优先提高召回率，而不是单纯追求准确率。

from sklearn.linear_model import LogisticRegression from sklearn.svm import SVC from sklearn.ensemble import GradientBoostingClassifier from sklearn.metrics import classification_report models = { 'lr': LogisticRegression(max_iter=1000), 'svm': SVC(kernel='rbf', probability=True), 'gbt': GradientBoostingClassifier(random_state=42) } for name, model in models.items(): model.fit(X_train_scaled, y_train) y_pred = model.predict(X_test_scaled) print(f'===== {name} =====') print(classification_report(y_test, y_pred, target_names=['No', 'Yes']))

逻辑说明：统一用标准化后的数据训练，classification_report输出精度、召回率、F1 和宏平均/加权平均。这里没有对超参数做任何调整，目的是拿到一个公平的基线。参数说明：LogisticRegression(max_iter=1000)提高迭代上限避免不收敛；SVC(probability=True)让 SVM 输出概率值，Django 端展示风险百分比时需要它；GradientBoostingClassifier(random_state=42)固定随机种子保证结果可复现。

3.2 交叉验证与网格搜索：调参要看着泛化误差来调

论文里提到了交叉验证和网格搜索。这里的关键是：网格搜索的评估指标要选对。默认的 scoring 是准确率，但在医疗场景下我们会希望模型对正类样本更敏感，所以一般把 scoring 设为recall或f1。另一个坑是网格搜索要在训练集内部再做交叉验证，而不是直接在测试集上调参。

from sklearn.model_selection import GridSearchCV, StratifiedKFold param_grid = { 'n_estimators': [100, 200], 'max_depth': [3, 5, 7], 'min_samples_split': [2, 5], } cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) grid = GridSearchCV( RandomForestClassifier(random_state=42), param_grid, scoring='recall', cv=cv, n_jobs=-1 ) grid.fit(X_train_scaled, y_train) print(grid.best_params_) print(grid.best_score_)

逻辑说明：GridSearchCV会遍历参数组合，在每一折上训练并验证模型，然后返回在指定 scoring 下表现最好的参数组合。这里StratifiedKFold保证每折的正负样本比例与整体一致，避免某折全是没有糖尿病的样本。参数说明：scoring='recall'表明我们更关注正类召回率；n_jobs=-1启用全部 CPU 核心加速搜索；cv=5做 5 折交叉验证。

调优后的随机森林通常可以把召回率提升到 0.65 以上，但要注意不要为了召回率牺牲太多精度，否则系统会大量误报，让医生对预测结果失去信任。实际项目中要在业务层面定一个可接受的误诊率阈值，再反推模型参数。

另一种做法是使用GridSearchCV的refit=True，这样搜索完成后会自动用全部训练数据重新训练一个最佳模型，这个模型可以直接保存供 Django 调用。

3.3 模型评估与阈值选择：准确率不是唯一指标

分类模型输出的是预测概率，predict()默认把 0.5 当作正负类划分阈值。但对糖尿病预测场景，0.5 未必是最优阈值。可以通过 ROC 曲线找到更合适的阈值，比如把阈值调到 0.3，让更多高风险样本被识别出来。

from sklearn.metrics import roc_curve, roc_auc_score y_proba = grid.predict_proba(X_test_scaled)[:, 1] fpr, tpr, thresholds = roc_curve(y_test, y_proba) # 找到约登指数最大时对应的阈值 J = tpr - fpr best_idx = np.argmax(J) best_threshold = thresholds[best_idx] print(f'best threshold: {best_threshold:.3f}') print(f'AUC: {roc_auc_score(y_test, y_proba):.3f}')

逻辑说明：predict_proba输出每个样本属于正类的概率，roc_curve根据不同的阈值计算假正率与真正率，约登指数（tpr 减去 fpr）最大处对应的阈值就是理论上的最优划分点。参数说明：[:, 1]取第二列，也就是正类的概率；roc_auc_score衡量模型排序能力，AUC 在 0.8 左右说明模型有较好的区分度。

拿到最佳阈值后，Django 端在展示预测结果时就不要再简单比较 0.5 了，而是用y_proba >= best_threshold判断是否为高风险。这个细节论文里没有展开，但实际做系统时非常关键，因为阈值直接影响医生看到的判断结果。

4. Django 框架下的系统实现：让模型跑成 Web 服务

4.1 项目初始化与配置

用 Django 搭建这个系统，第一步是创建项目和应用。论文里提到 Django 基于 MVC 模式，实际 Django 的实现方式是 MVT（Model-View-Template），Model 对应数据模型，View 对应业务逻辑，Template 对应页面渲染。初始化命令如下：

django-admin startproject diabetes_web cd diabetes_web python manage.py startapp predictor

逻辑说明：startproject生成项目骨架，startapp创建独立应用。这里的predictor应用负责核心的预测功能，包括数据模型、视图和模板。接下来需要在settings.py中注册应用，并配置数据库。开发阶段直接用 SQLite 即可，生产环境再切换 PostgreSQL。

配置示例：

# settings.py INSTALLED_APPS = [ 'django.contrib.admin', 'django.contrib.auth', 'django.contrib.contenttypes', 'django.contrib.sessions', 'django.contrib.messages', 'django.contrib.staticfiles', 'predictor', ] DATABASES = { 'default': { 'ENGINE': 'django.db.backends.sqlite3', 'NAME': BASE_DIR / 'db.sqlite3', } } # 静态文件和模板文件路径 STATIC_URL = 'static/' STATICFILES_DIRS = [BASE_DIR / 'static']

逻辑说明：INSTALLED_APPS中的predictor让 Django 识别这个应用，DATABASES使用 SQLite 文件数据库，适合开发环境。参数说明：BASE_DIR / 'db.sqlite3'是路径拼接写法，生成项目根目录下的数据库文件。

4.2 数据模型设计：用户在表结构里是什么、字段怎么存

系统涉及两类数据：用户信息和患者检测记录。Django 用户认证用的是内置的auth.User，所以自定义模型只需要关注检测记录。字段名和数据预处理时的特征列要一一对应，这样 Django 视图从数据库取值后可以直接传给模型。

# predictor/models.py from django.db import models from django.contrib.auth.models import User class PatientRecord(models.Model): user = models.ForeignKey(User, on_delete=models.CASCADE, verbose_name='所属用户') pregnancies = models.IntegerField(default=0, verbose_name='怀孕次数') glucose = models.FloatField(verbose_name='葡萄糖浓度') blood_pressure = models.FloatField(verbose_name='舒张压') skin_thickness = models.FloatField(verbose_name='皮褶厚度') insulin = models.FloatField(verbose_name='血清胰岛素') bmi = models.FloatField(verbose_name='BMI') diabetes_pedigree = models.FloatField(verbose_name='糖尿病谱系函数') age = models.IntegerField(verbose_name='年龄') risk_prediction = models.BooleanField(default=False, verbose_name='预测结果') risk_probability = models.FloatField(null=True, blank=True, verbose_name='风险概率') created_at = models.DateTimeField(auto_now_add=True, verbose_name='创建时间') class Meta: db_table = 'patient_record' def __str__(self): return f'{self.user.username} - {self.created_at}'

逻辑说明：ForeignKey建立与内置 User 模型的一对多关系，一条用户记录可以关联多条检测记录。risk_prediction保存模型判断结果，risk_probability保存风险概率值。on_delete=models.CASCADE表示用户被删除时，其检测记录一并删除。字段名用下划线风格与 Python 变量命名一致，Django ORM 会自动映射为数据库列名。创建完模型后执行python manage.py makemigrations和python manage.py migrate生成并应用数据库表。

4.3 视图函数：模型加载、预测调用、结果存储

视图层是整个系统的核心，负责接收表单数据、调用模型、返回结果。模型文件diabetes_model.pkl放在应用的根目录或专门目录中，视图启动时加载一次，避免每个请求重复读文件。

# predictor/views.py import joblib import numpy as np from django.shortcuts import render, redirect from django.contrib.auth.decorators import login_required from .forms import PatientRecordForm from .models import PatientRecord MODEL_PATH = 'predictor/ml_model/diabetes_model.pkl' SCALER_PATH = 'predictor/ml_model/scaler.pkl' THRESHOLD = 0.4 model = joblib.load(MODEL_PATH) scaler = joblib.load(SCALER_PATH) @login_required def predict_view(request): if request.method == 'POST': form = PatientRecordForm(request.POST) if form.is_valid(): # 提取表单字段，保持与训练时一致的顺序 feature_names = [ 'pregnancies', 'glucose', 'blood_pressure', 'skin_thickness', 'insulin', 'bmi', 'diabetes_pedigree', 'age' ] features = np.array([[form.cleaned_data[f] for f in feature_names]]) features_scaled = scaler.transform(features) prob = model.predict_proba(features_scaled)[0][1] pred = int(prob >= THRESHOLD) record = form.save(commit=False) record.user = request.user record.risk_prediction = pred record.risk_probability = prob record.save() return render(request, 'predictor/result.html', { 'probability': prob, 'prediction': pred, 'threshold': THRESHOLD, }) else: form = PatientRecordForm() return render(request, 'predictor/predict.html', {'form': form})

逻辑说明：视图函数先判断请求方法，POST 时校验表单并提取特征值，使用之前保存的scaler做标准化，再调用模型的predict_proba获取风险概率，与自定义的THRESHOLD比较得出最终判断结果，最后把结果存入数据库。这里的关键点是：特征顺序必须与训练时完全一致，scaler 必须复用训练时保存的那个。参数说明：commit=False让表单创建模型实例但不立即保存数据库，这样可以在保存前追加user、risk_prediction、risk_probability字段。

4.4 表单设计与模板渲染：CSRF 保护和用户输入验证

Django 的 Form 类承担输入验证工作，字段类型和校验规则在 Form 中定义。这里需要注意：表单字段与模型字段不能完全划等号，因为表单要排除user、risk_prediction等由后端生成的字段。

# predictor/forms.py from django import forms from .models import PatientRecord class PatientRecordForm(forms.ModelForm): class Meta: model = PatientRecord fields = [ 'pregnancies', 'glucose', 'blood_pressure', 'skin_thickness', 'insulin', 'bmi', 'diabetes_pedigree', 'age' ] widgets = { 'glucose': forms.NumberInput(attrs={'step': '1', 'min': '0'}), 'bmi': forms.NumberInput(attrs={'step': '0.1', 'min': '0'}), } def clean_glucose(self): glucose = self.cleaned_data.get('glucose') if glucose <= 0: raise forms.ValidationError('血糖浓度必须大于 0') return glucose

逻辑说明：ModelForm根据模型字段自动生成表单字段，fields限定用户可输入的项目。widgets定义 HTML 渲染属性，比如step控制数字输入框的步长，min设置最小值。clean_glucose是字段级校验方法，Django 会在is_valid()时自动调用，确保输入数据落在合理区间。模板中渲染表单时，需要在<form>标签内加上{% csrf_token %}，否则 Django 会拒绝 POST 请求。

<!-- predictor/templates/predictor/predict.html --> <form method="post"> {% csrf_token %} {{ form.as_p }} <button type="submit">开始预测</button> </form>

逻辑说明：{{ form.as_p }}将表单字段渲染为段落式 HTML，{% csrf_token %}生成隐藏的 CSRF token 字段，用于防止跨站请求伪造攻击。视图中的@login_required装饰器保证只有登录用户可以访问预测页面。

5. 模型持久化与部署：几个容易翻车的细节

5.1 用管道对象把 preprocessing 和 model 打包在一起

第 2 章和第 3 章的训练过程中，scaler 和模型是分开保存的。Django 视图调用时代码会变得繁琐，而且容易出现忘记转换数据的情况。更稳妥的做法是用 scikit-learn 的 Pipeline 把标准化和分类器串成一个对象，训练时整体保存。

from sklearn.pipeline import Pipeline pipeline = Pipeline([ ('scaler', StandardScaler()), ('classifier', RandomForestClassifier(n_estimators=200, max_depth=5, random_state=42)) ]) pipeline.fit(X_train, y_train) joblib.dump(pipeline, 'pipeline.pkl') # Django 端加载后直接调用 loaded_pipeline = joblib.load('pipeline.pkl') prob = loaded_pipeline.predict_proba(features)[0][1]

逻辑说明：Pipeline 的fit会先执行scaler.fit_transform，再执行classifier.fit；predict时自动用已拟合的 scaler 转换输入，再传给分类器。这避免了在 Django 代码中手动维护两步转换。参数说明：Pipeline 中的每一步必须是「转换器 + 估计器」的组合，StandardScaler实现了fit_transform，所以能作为管道第一步。

5.2 类别不平衡处理：class_weight 比硬上采样更省事

PIMA 数据集中正负样本比例大约是 35比65，并没有严重失衡，不需要做复杂的采样处理。但如果换成其他数据集，正类占比低于 20% 时，建议在模型参数中设置类别权重，而不是先做 SMOTE。做法是在RandomForestClassifier或LogisticRegression中加入class_weight='balanced'，让模型自动根据类别频率调整权重。

5.3 阈值不要写在视图的魔法数字里

第 3 章提到最佳阈值来自 ROC 曲线计算。实际项目中这个阈值应该放在配置文件中，例如 Django 的settings.py里加一个PREDICTION_THRESHOLD = 0.4，或者在.env环境变量中配。这样调阈值时只需要改配置，不用动视图代码，也不会在版本控制中留下魔法数字。

5.4 记录预测日志，方便审计和后置分析

医疗场景的系统对审计有要求，每次预测请求的输入特征、输出概率、阈值、判断结果、请求时间都应该记录。简单做法是通过 Django 的 logging 模块写入本地日志文件，核心字段直接存库，这样后续可以回看误判案例，反推模型是否需要更新。日志格式建议采用 JSON 结构化输出，方便接入日志采集系统。

import logging import json from django.utils import timezone logger = logging.getLogger('diabetes.predict') def log_prediction(user, features, prob, pred, threshold): log_entry = { 'user': user.username, 'features': features, 'probability': prob, 'prediction': pred, 'threshold': threshold, 'timestamp': timezone.now().isoformat() } logger.info(json.dumps(log_entry, ensure_ascii=False))

逻辑说明：日志记录的核心原则是「入参可回溯」，后续模型迭代时可以用这些日志复盘误判的样本。这里将结构化数据序列化为 JSON 写入日志，方便按字段检索。至此，从数据处理到模型训练再到 Django 系统集成的完整链路已经走通。

本文还有配套的精品资源，点击获取