企业官网建设流程全解析

简介：本资源面向高校学生与开发者，提供一套基于Python与机器学习的急性心肌梗死死亡风险预测完整项目，适用于毕业设计、课程设计及项目开发练手。项目以MIMIC数据库数据为训练集，围绕重症监护场景下的死亡风险建模，涵盖数据预处理、特征工程与多种集成学习模型的训练流程，可作为医疗数据挖掘方向的入门参考。压缩包共14个文件，约5.7MB，包含4个Python脚本、3个CSV数据文件、2个SQL查询脚本，以及xlsx、txt、md说明文档与开源协议文件，脚本与数据分离，便于按模块阅读和二次开发。目前已有236人学习下载。读者可获得可运行的源码、数据读取与预处理脚本、模型训练代码及配套说明文档，并在此基础上替换数据集或调整特征，延伸出肾衰竭等其他疾病的风险预测实验，积累从数据清洗到模型评估的完整实践思路。

1. 急性心肌梗死死亡风险预测：从一份临床数据到能跑通的模型

急性心肌梗死的院内死亡风险预测，是机器学习在临床场景里少有的「特征清晰、标签明确、样本量够用」的落地方向。拿到一份包含年龄、肌钙蛋白、Killip 分级、射血分数、心率、血压等字段的表格数据，用 Python 加机器学习做二分类，把死亡风险分成高危和低危，这件事本身并不玄学。真正难的是：数据里缺失值怎么填、类别不平衡怎么处理、95% 的准确率到底是怎么来的、换一批数据还能不能稳住。这篇笔记就围绕「基于 Python + 机器学习的急性心肌梗死死亡风险预测」这个题目，把数据预处理、特征工程、模型选型、训练调参、评估验证、踩坑排查整条链路讲清楚，适合做毕业设计、课程设计或者想快速搭一个可复现基线的人。读完你能自己跑出一套完整流程，也能判断别人报的 95% 到底靠不靠谱。

2. 数据准备与特征工程：把临床表格变成模型能吃的矩阵

2.1 先搞清楚字段含义再动手

拿到数据第一件事不是pd.read_csv然后model.fit，而是逐列确认含义。急性心肌梗死预测里常见的字段大致分几类：人口学（年龄、性别）、生命体征（收缩压、舒张压、心率、呼吸频率）、实验室指标（肌钙蛋白、肌酸激酶、血糖、肌酐、白细胞）、心功能（左室射血分数 LVEF、Killip 分级）、病史（高血压、糖尿病、吸烟、既往心梗）、以及结局标签（院内死亡 0/1）。

这里有个血泪经验：Killip 分级是 I 到 IV 的有序类别，直接当连续数值喂进去，模型会误以为 IV 是 I 的 4 倍，实际它只是等级。正确做法是做 one-hot 或者保留序关系用有序编码。同理，性别、吸烟这类二值字段保持 0/1 即可，不要做标准化。

import pandas as pd import numpy as np df = pd.read_csv("ami_data.csv") # 确认标签分布，先看正负样本比例 print(df["death"].value_counts(normalize=True)) # 有序类别：Killip 分级保留顺序，用映射而不是 one-hot killip_map = {"I": 1, "II": 2, "III": 3, "IV": 4} df["killip"] = df["killip"].map(killip_map) # 无序类别：性别、吸烟等做 one-hot df = pd.get_dummies(df, columns=["sex", "smoke"], drop_first=True)

逻辑说明：value_counts(normalize=True)先看标签比例，这一步决定了后面要不要做重采样。Killip 用映射保留序关系，是因为它本身有轻重之分，one-hot 会丢掉这个信息。drop_first=True避免虚拟变量陷阱，防止多重共线性。

参数说明：normalize=True输出比例而非计数；drop_first=True在二分类字段上其实只保留一列，对性别这种二值字段效果就是 0/1 编码。

2.2 缺失值处理：别一上来就均值填充

临床数据缺失是常态，肌钙蛋白、LVEF 这些关键指标缺失率可能到 10% 到 30%。直接fillna(df.mean())是最省事也最容易翻车的做法，因为它会抹掉缺失本身的含义——很多时候「没测某项指标」本身就是病情轻或重的信号。

我一般分三步走：缺失率超过 40% 的字段直接考虑丢弃，除非它是核心指标；缺失率 5% 到 40% 的用多重插补或者 KNN 插补；缺失率低于 5% 的用中位数填充并加一个缺失指示列。

from sklearn.impute import KNNImputer # 先标记缺失，保留缺失模式信息 for col in ["troponin", "lvef", "creatinine"]: df[f"{col}_missing"] = df[col].isna().astype(int) # 对数值列做 KNN 插补，n_neighbors 取 5 是常用起点 num_cols = ["age", "sbp", "dbp", "heart_rate", "troponin", "lvef", "creatinine"] imputer = KNNImputer(n_neighbors=5) df[num_cols] = imputer.fit_transform(df[num_cols])

逻辑说明：先加_missing指示列，让模型知道这个值原本是缺失的，这在临床预测里经常能提升效果。KNN 插补用样本间相似度找邻居，比均值填充更贴近个体情况。

参数说明：n_neighbors=5是经验值，样本量小可以降到 3，样本量大可以升到 7 到 10。注意 KNNImputer 必须在训练集上 fit，再 transform 测试集，否则会数据泄漏。

2.3 类别不平衡：95% 准确率的陷阱就在这里

急性心肌梗死院内死亡率通常不高，正样本（死亡）可能只占 5% 到 15%。如果数据里 90% 是存活，模型全预测存活就能拿 90% 准确率，这种「准确率」毫无意义。所以看到别人报 95% 准确率，第一反应应该是问：正负样本比例多少？用的什么评估指标？

处理不平衡常见三种做法：SMOTE 过采样、类别权重调整、阈值移动。我一般优先用class_weight="balanced"，因为它不改数据分布，只是让损失函数对少数类更敏感，工程上最稳。

from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split X = df.drop(columns=["death"]) y = df["death"] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) clf = RandomForestClassifier( n_estimators=300, max_depth=8, class_weight="balanced", random_state=42 ) clf.fit(X_train, y_train)

逻辑说明：stratify=y保证训练集和测试集的正负比例一致，避免随机切分导致某一侧正样本过少。class_weight="balanced"自动按类别频率反比给权重，少数类权重更高。

参数说明：n_estimators=300是树数量，太少欠拟合，太多训练慢且收益递减；max_depth=8控制树深，防止过拟合，临床数据特征不多时 6 到 10 比较合适。

3. 模型选型与训练：为什么树模型是这类表格数据的首选

3.1 逻辑回归、随机森林、XGBoost 怎么选

表格型临床数据，特征维度通常几十到上百，样本量几千到几万，这种场景下梯度提升树（XGBoost、LightGBM）和随机森林往往比深度学习更稳。逻辑回归可解释性最强，系数直接对应优势比，适合写论文时讲清楚每个因素的方向，但拟合非线性关系能力弱。

我的选型顺序是：先跑逻辑回归做基线，看 AUC 大概什么水平；再上随机森林看特征重要性；最后用 XGBoost 或 LightGBM 冲性能。如果三者差距不大，就选可解释性最好的那个，临床场景里医生更信能解释的模型。

from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.pipeline import Pipeline from sklearn.metrics import roc_auc_score # 逻辑回归必须标准化，树模型不需要 lr_pipe = Pipeline([ ("scaler", StandardScaler()), ("clf", LogisticRegression(class_weight="balanced", max_iter=1000)) ]) lr_pipe.fit(X_train, y_train) lr_prob = lr_pipe.predict_proba(X_test)[:, 1] print("LR AUC:", roc_auc_score(y_test, lr_prob))

逻辑说明：逻辑回归对特征尺度敏感，所以用 Pipeline 把标准化和模型绑在一起，避免测试集泄漏。predict_proba取第 1 列是正类概率，AUC 用概率算而不是硬标签。

参数说明：max_iter=1000防止不收敛警告；class_weight="balanced"同样处理不平衡。AUC 是评估不平衡数据最常用的指标，0.5 是随机，0.8 以上算不错，0.9 以上要警惕泄漏。

3.2 XGBoost 训练与早停

XGBoost 在表格数据上通常能比随机森林再高一点，但参数多，容易过拟合。关键是设好eval_set和early_stopping_rounds，让它在验证集 AUC 不再提升时自动停。

import xgboost as xgb dtrain = xgb.DMatrix(X_train, label=y_train) dtest = xgb.DMatrix(X_test, label=y_test) params = { "objective": "binary:logistic", "eval_metric": "auc", "max_depth": 5, "eta": 0.05, "subsample": 0.8, "colsample_bytree": 0.8, "scale_pos_weight": (y_train == 0).sum() / (y_train == 1).sum() } model = xgb.train( params, dtrain, num_boost_round=1000, evals=[(dtest, "test")], early_stopping_rounds=50, verbose_eval=100 )

逻辑说明：scale_pos_weight是不平衡数据的 XGBoost 版处理方式，等于负样本数除以正样本数。早停用测试集做验证在这里只是演示，严格做法应该从训练集再切一个验证集，测试集只在最后用一次。

参数说明：max_depth=5比随机森林浅，因为 boosting 是串行叠加，深树容易过拟合；eta=0.05学习率小一点配合更多轮数更稳；subsample和colsample_bytree都是 0.8，增加随机性防过拟合。

3.3 交叉验证：单次切分的 95% 不可信

单次 train_test_split 得到的准确率波动很大，换一个 random_state 可能从 95% 掉到 88%。要报可信的数字，必须做交叉验证，最好分层 K 折。

from sklearn.model_selection import StratifiedKFold, cross_val_score cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) scores = cross_val_score(clf, X, y, cv=cv, scoring="roc_auc") print("AUC mean: %.4f, std: %.4f" % (scores.mean(), scores.std()))

逻辑说明：StratifiedKFold保证每折正负比例一致，scoring="roc_auc"用 AUC 而不是准确率。输出均值和标准差，标准差大说明模型不稳定，需要检查数据或调参。

参数说明：n_splits=5是常用折数，样本少可以到 10，样本多 5 折够用。shuffle=True打乱顺序，避免数据本身有序带来的偏差。

4. 评估与可解释性：准确率之外必须看的指标

4.1 混淆矩阵、召回率、F1 怎么读

临床死亡风险预测里，漏报一个高危病人（假阴性）的代价远大于误报一个低危病人（假阳性）。所以召回率（Recall）比准确率重要得多。一个模型准确率 95% 但召回率只有 40%，意味着六成死亡病例被漏掉，这种模型不能上线。

from sklearn.metrics import classification_report, confusion_matrix y_pred = clf.predict(X_test) print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred, digits=4))

逻辑说明：混淆矩阵四个格子分别是真阴、假阳、假阴、真阳。分类报告给出每类的精确率、召回率、F1。重点看死亡类（标签 1）的召回率。

参数说明：digits=4控制小数位。如果召回率低，可以调低预测阈值，比如把 0.5 改成 0.3，牺牲精确率换召回率。

4.2 特征重要性与 SHAP

论文和答辩里几乎一定会被问「哪些因素最重要」。随机森林和 XGBoost 都能输出特征重要性，但内置重要性对高基数特征有偏。SHAP 更可靠，能给出每个样本每个特征的贡献方向。

import shap explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(dtest) shap.summary_plot(shap_values, X_test)

逻辑说明：TreeExplainer对树模型有精确快速实现。summary_plot画出每个特征对预测的贡献分布，点的颜色表示特征值高低，位置表示推动预测往正类还是负类。

参数说明：SHAP 计算量随样本数增长，样本大时可以抽样几百条算。shap_values对二分类返回的是正类贡献。

5. 避坑与排查：那些让 95% 变成 70% 的细节

5.1 数据泄漏：准确率虚高的头号原因

现象：交叉验证 AUC 0.98，换一批数据掉到 0.7。原因：标准化、插补、特征选择在切分之前对整个数据集做了，测试集信息泄漏进训练。解决：所有预处理放进 Pipeline，只在训练集 fit。

5.2 标签定义不一致

现象：模型效果忽好忽坏，同一份代码两次结果差很多。原因：死亡标签有的按院内死亡，有的按 30 天死亡，混在一起。解决：确认标签口径统一，必要时重新定义。

5.3 缺失指示列被标准化

现象：加了_missing列后效果反而变差。原因：0/1 指示列被 StandardScaler 标准化成负数，失去含义。解决：指示列不参与标准化，或者用树模型跳过标准化。

5.4 阈值默认 0.5

现象：召回率低，漏掉大量高危。原因：默认 0.5 阈值不适合不平衡数据。解决：在验证集上画 PR 曲线，选召回率满足要求的阈值。

5.5 过拟合到训练集

现象：训练集准确率 99%，测试集 85%。原因：树太深、特征太多、样本太少。解决：限制max_depth，加min_samples_leaf，用早停，减少特征。

6. 把模型跑稳的一个技巧：分层抽样加固定随机种子

最后说一个我踩过坑之后养成的习惯：所有涉及随机的环节都固定random_state，并且用分层抽样。这不是为了好看，是为了可复现。答辩时老师让你再跑一遍，结果对不上，解释起来很被动。

具体做法是把random_state=42贯穿 train_test_split、模型初始化、交叉验证的 shuffle。同时用StratifiedKFold而不是普通 KFold，保证每折正负比例一致。如果样本量允许，做 10 折比 5 折更稳，但训练时间翻倍，自己权衡。

还有一个细节：保存模型时用joblib而不是pickle，对 sklearn 模型兼容性更好，加载速度快。

import joblib joblib.dump(clf, "ami_death_model.pkl") loaded = joblib.load("ami_death_model.pkl") print(loaded.predict_proba(X_test[:5]))

逻辑说明：joblib.dump序列化模型，load反序列化。保存后重新加载预测，确认结果一致，这是上线前必做的一步。

参数说明：文件后缀.pkl是惯例，不是强制。大模型可以加compress=3压缩，但加载会慢一点。

验证模型是否真的稳，我的做法是：换三个不同的random_state各跑一遍交叉验证，看 AUC 均值波动是否在 0.02 以内。如果波动超过 0.05，说明数据或流程有问题，别急着报结果。这个习惯帮我挡掉过好几次「看起来很美」的假象。希望帮到你。

本文还有配套的精品资源，点击获取