简介：本资源为南京邮电大学通达学院《机器学习》期末大作业的完整设计报告，面向修读机器学习课程、需要完成医疗保健方向系统设计任务的高校学生。报告以膀胱癌诊断为例，围绕数据驱动的智能医疗系统展开，涵盖数据收集、特征提取与模型选择、实验评估设计三大环节，并梳理了机器学习在影像学诊断、尿细胞学检查、卡介苗治疗预后评估及术后复发预测等场景中的典型应用，可作为课程作业的参考范本与写作思路来源。压缩包内仅含1个docx文档，约29KB，结构完整、篇幅达标，便于直接查阅与借鉴。目前已有1022人学习下载，适合需要快速理解医疗机器学习系统设计框架、梳理报告章节逻辑的同学参考使用。
1. 从一份“机器学习大作业”说起：为什么很多人卡在第一步
如果你正在搜“南邮 通达 机器学习 大作业 期末 作业”，大概率你手里已经拿到了一份课程要求，或者正面临一个尴尬的局面：课程讲的是逻辑回归、决策树、SVM，但作业要求你交出一个“完整可运行、有数据、有评估、有报告”的东西。你打开搜索引擎，发现满屏都是“手写数字识别”“鸢尾花分类”“波士顿房价预测”——这三个题目几乎成了机器学习大作业的“老三样”。问题不在于题目老，而在于很多人把大作业做成了“调包填空题”：导入 sklearn，三行代码训练，打印一个准确率，截图，交差。结果答辩时被问“你的特征怎么选的”“为什么用这个模型”“过拟合怎么判断”，直接翻车。
这篇笔记不针对某一份具体的作业文档，而是把“机器学习期末大作业”这个任务拆成一条可复现的落地路径。适合两类人：一类是刚学完课程、想用最短时间做出一个不心虚的作业；另一类是有一定基础、想把作业做成能写进简历的小项目。核心思路是：用一个小而完整的数据集，走通“数据清洗→特征工程→模型对比→误差分析→报告呈现”的全流程，而不是追求模型多高级。下面从选题、环境、代码、调参、避坑到进阶，一步步讲清楚。
2. 选题与数据准备：别让“公开数据集”变成你的天花板
2.1 大作业选题的三个现实约束
课程大作业和工业项目最大的区别是：时间有限、算力有限、评分标准模糊。所以选题要满足三个条件：数据量在几千到几万条之间（太大跑不动，太小看不出问题）、特征有明确的物理含义（方便写报告时解释）、任务类型是分类或回归（聚类和强化学习在作业里很难讲清楚评估指标）。常见的可靠选择包括：某电商平台的用户购买行为预测（二分类）、某城市共享单车的租借量预测（回归）、某传感器采集的设备故障诊断（多分类）。这些数据在公开数据平台都能找到，但注意不要直接用“鸢尾花”这种被用烂的数据集，除非你打算在特征工程上做出差异化。
我一般会建议学生先花半天时间做一件事：把候选数据集的字段含义、缺失比例、类别分布列成一张表。这张表直接决定了你后面能不能写出有内容的报告。比如一个二分类数据集，如果正负样本比例是 1:99，那准确率就是废的，必须用 F1 或 AUC；如果缺失值超过 30%，就要考虑是删特征还是插补。这些判断在报告里都是加分项。
2.2 用 pandas 做一次“体检式”数据探查
拿到数据后，不要急着扔进模型。先跑一段探查代码，把数据的基本情况摸清楚。下面这段代码可以直接抄，改一下文件路径和列名就能用。
import pandas as pd import numpy as np # 读取数据，注意编码和分隔符按实际情况调整 df = pd.read_csv('your_dataset.csv', encoding='utf-8') # 1. 基本信息：行列数、类型、内存占用 print(df.info()) # 2. 缺失值统计：按列计算缺失比例 missing = df.isnull().sum() / len(df) print(missing[missing > 0].sort_values(ascending=False)) # 3. 目标变量分布：分类任务看类别比例，回归任务看偏度和峰度 target = 'label' # 改成你的目标列名 print(df[target].value_counts(normalize=True)) print(df[target].describe()) # 4. 数值特征描述：均值、标准差、分位数，快速发现异常值 num_cols = df.select_dtypes(include=[np.number]).columns print(df[num_cols].describe().T[['mean', 'std', 'min', '50%', 'max']]) # 5. 类别特征基数：如果某一列取值超过50个，考虑目标编码或直接舍弃 cat_cols = df.select_dtypes(include=['object']).columns for col in cat_cols: print(f"{col}: {df[col].nunique()} unique values")这段代码的逻辑是：先看数据整体结构，再定位缺失和类别不平衡，最后检查数值特征的分布和类别特征的复杂度。参数上，value_counts(normalize=True)输出的是比例而不是计数，方便判断不平衡程度；describe().T转置后更易读。如果发现某一列缺失超过 40%，且不是关键特征，直接删掉比插补更安全；如果类别特征基数过高（比如用户 ID），要么做频率编码，要么直接排除，否则独热编码后维度爆炸。
2.3 划分训练集和测试集的正确姿势
很多作业翻车在这一点：先做了标准化或缺失值插补，再划分训练测试集。这会导致数据泄露——测试集的统计信息混入了训练过程。正确顺序是：先划分，再在训练集上拟合预处理器，然后应用到测试集。用 sklearn 的Pipeline可以强制这个顺序。
from sklearn.model_selection import train_test_split from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.impute import SimpleImputer # 假设 X 是特征，y 是标签 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y # stratify 保持类别比例 ) # 构建预处理管道：先插补中位数，再标准化 preprocess = Pipeline([ ('imputer', SimpleImputer(strategy='median')), ('scaler', StandardScaler()) ]) # 在训练集上拟合，在测试集上只做变换 X_train_processed = preprocess.fit_transform(X_train) X_test_processed = preprocess.transform(X_test)这里stratify=y在分类任务中很重要，能保证训练集和测试集的类别比例一致，避免某个类别在测试集中完全缺失。random_state=42是为了结果可复现，报告里写清楚这个种子，别人才能复现你的数字。注意fit_transform只用于训练集，测试集只能用transform，这是铁律。
3. 模型训练与对比：用三行代码跑出五个基线
3.1 为什么我建议先跑逻辑回归和决策树
很多同学一上来就上 XGBoost 或神经网络，结果调参调到崩溃，报告里却说不清模型为什么有效。我的习惯是：先用逻辑回归和决策树建立基线。逻辑回归的系数可以解释特征重要性，决策树的树结构可以画出来直观展示分裂条件。这两个模型跑通后，再上随机森林或梯度提升树做对比，报告里就有了“从简单到复杂”的叙事线。
下面这段代码一次性跑五个模型，输出准确率、F1 和 AUC，方便横向对比。
from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier from sklearn.svm import SVC from sklearn.metrics import accuracy_score, f1_score, roc_auc_score models = { 'LogisticRegression': LogisticRegression(max_iter=1000, random_state=42), 'DecisionTree': DecisionTreeClassifier(max_depth=5, random_state=42), 'RandomForest': RandomForestClassifier(n_estimators=100, random_state=42), 'GradientBoosting': GradientBoostingClassifier(n_estimators=100, random_state=42), 'SVM': SVC(probability=True, random_state=42) } results = [] for name, model in models.items(): model.fit(X_train_processed, y_train) y_pred = model.predict(X_test_processed) y_prob = model.predict_proba(X_test_processed)[:, 1] # 正类概率 results.append({ 'model': name, 'accuracy': accuracy_score(y_test, y_pred), 'f1': f1_score(y_test, y_pred, average='weighted'), 'auc': roc_auc_score(y_test, y_prob) }) import pandas as pd print(pd.DataFrame(results).sort_values('auc', ascending=False))参数说明：max_iter=1000防止逻辑回归不收敛；max_depth=5限制决策树深度，避免过拟合；n_estimators=100是树的数量，作业场景下 100 到 200 足够；probability=True让 SVM 输出概率，否则算不了 AUC。注意predict_proba返回的是两列，取[:, 1]才是正类概率。如果数据是多分类，roc_auc_score需要加multi_class='ovr'参数。
3.2 交叉验证：别让一次划分决定你的结论
单次训练测试划分有随机性，换一个random_state可能结果差好几个百分点。报告里只写一次结果，容易被质疑。用 5 折交叉验证取平均值和标准差，结论更稳。
from sklearn.model_selection import cross_val_score import numpy as np # 以随机森林为例，做5折交叉验证 rf = RandomForestClassifier(n_estimators=100, random_state=42) cv_scores = cross_val_score(rf, X_train_processed, y_train, cv=5, scoring='f1_weighted') print(f"CV F1: {cv_scores.mean():.4f} (+/- {cv_scores.std():.4f})")cv=5表示 5 折，scoring='f1_weighted'适合类别不平衡场景。输出格式里+/-后面是标准差，如果标准差超过 0.05，说明模型不稳定，需要检查数据划分或增加数据量。交叉验证只能在训练集上做，测试集留到最后用一次，否则测试集就失去了“未见数据”的意义。
3.3 特征重要性：让报告有“可解释性”的抓手
作业评分里，“可解释性”往往是拉开差距的地方。随机森林和梯度提升树都提供feature_importances_，逻辑回归的系数绝对值也可以排序。下面代码把特征重要性画成横向条形图，直接贴进报告。
import matplotlib.pyplot as plt rf = RandomForestClassifier(n_estimators=100, random_state=42) rf.fit(X_train_processed, y_train) importances = rf.feature_importances_ feature_names = X.columns # 如果用了Pipeline，这里需要对应原始列名 indices = np.argsort(importances)[::-1][:10] # 取前10个 plt.figure(figsize=(10, 6)) plt.barh(range(len(indices)), importances[indices], align='center') plt.yticks(range(len(indices)), [feature_names[i] for i in indices]) plt.xlabel('Feature Importance') plt.gca().invert_yaxis() plt.tight_layout() plt.savefig('feature_importance.png', dpi=150)注意：如果预处理用了Pipeline，X.columns可能对不上，因为插补和标准化不改变列数，但顺序一致，所以直接按原始列名取即可。如果做了独热编码，列数会变，需要从preprocess.named_steps里取get_feature_names_out()。这张图在报告里配合一段文字解释“为什么这个特征最重要”，比单纯堆准确率有说服力得多。
4. 避坑与排查：大作业里最容易翻车的五个地方
4.1 准确率很高但 F1 很低：类别不平衡在作祟
现象：模型准确率 0.95，但 F1 只有 0.3，混淆矩阵显示少数类几乎全错。原因：数据正负样本比例悬殊，模型学会了“全预测多数类”就能拿高准确率。解决：改用 F1、AUC 或召回率作为评估指标；在模型里设置class_weight='balanced'；或者用 SMOTE 对少数类过采样（注意只能在训练集上做）。报告里要明确写出“本数据集存在类别不平衡，因此不采用准确率作为主要指标”。
4.2 测试集分数远低于训练集：过拟合的典型信号
现象：训练集准确率 0.99，测试集只有 0.7。原因：模型太复杂（树太深、特征太多）或数据量太小。解决：降低模型复杂度（限制max_depth、减少n_estimators）；增加正则化（逻辑回归的C调小，SVM 的C调小）；检查是否有特征泄露（比如用未来信息预测过去）。如果训练集和测试集差距在 0.1 以内，属于正常范围。
4.3 缺失值插补后结果变差：插补策略选错了
现象：用均值插补后，模型效果反而下降。原因：缺失值可能不是随机的，均值插补引入了偏差。解决：先分析缺失模式，如果某一列缺失比例很高且与目标相关，考虑把“是否缺失”作为一个新特征；数值列用中位数插补（抗异常值），类别列用众数或单独归为“Unknown”类。SimpleImputer的strategy参数支持mean、median、most_frequent、constant，按列类型分别处理更稳妥。
4.4 随机种子没固定：结果无法复现
现象：第二次运行代码，准确率变了。原因：train_test_split、模型初始化、交叉验证划分都依赖随机种子。解决：在所有涉及随机性的地方设置random_state，包括train_test_split、模型构造函数、cross_val_score。报告里写明“所有实验固定 random_state=42”。这不是玄学，是工程规范。
4.5 报告只贴代码不写分析：评分直接降档
现象：代码跑通了，报告里全是代码块和截图，没有文字解释。原因：把作业当成了“代码提交”而不是“实验报告”。解决：每个实验环节至少写三段话——为什么选这个方法、参数怎么定的、结果说明了什么。比如“随机森林的 F1 比逻辑回归高 0.08，说明特征之间存在非线性关系，树模型能自动捕捉交互项”。这种分析不需要多高深，但能体现你理解了自己在做什么。
5. 从作业到简历项目：三个让结果更硬核的进阶技巧
5.1 用 SHAP 值做单样本解释
特征重要性是全局的，但答辩时老师可能问“为什么这个样本被预测为正类”。SHAP 能给出每个特征对单个预测的贡献值。安装shap后，几行代码就能画出瀑布图。
import shap # 以随机森林为例，创建解释器 explainer = shap.TreeExplainer(rf) shap_values = explainer.shap_values(X_test_processed[:100]) # 取前100个样本 # 对第一个样本画瀑布图 shap.plots.waterfall(shap_values[0][:, 1]) # 二分类取正类注意shap_values的维度：二分类返回列表，取[0]是负类，[1]是正类；多分类返回列表长度等于类别数。瀑布图里红色表示推高预测概率，蓝色表示拉低。这张图放在报告里，比任何文字都直观。
5.2 用网格搜索代替手工调参
手工调参靠运气，网格搜索靠算力。作业场景下，参数组合控制在几十组以内，跑几分钟就能出结果。
from sklearn.model_selection import GridSearchCV param_grid = { 'n_estimators': [50, 100, 200], 'max_depth': [3, 5, 7, None], 'min_samples_split': [2, 5, 10] } grid = GridSearchCV( RandomForestClassifier(random_state=42), param_grid, cv=3, scoring='f1_weighted', n_jobs=-1 # 用满所有CPU核心 ) grid.fit(X_train_processed, y_train) print(grid.best_params_) print(grid.best_score_)n_jobs=-1表示并行跑，能显著缩短时间。cv=3比 5 折快，适合调参阶段。拿到best_params_后，用这组参数重新训练最终模型，再在测试集上评估一次。报告里可以放一张“参数-得分”的热力图，展示调参过程。
5.3 把模型保存下来，做一个最小可用的预测脚本
作业交完就删代码是最大的浪费。用joblib把训练好的模型和预处理器保存成文件，以后有新数据可以直接调用。
import joblib # 保存模型和预处理器 joblib.dump(rf, 'model_rf.pkl') joblib.dump(preprocess, 'preprocess.pkl') # 加载并预测新样本 loaded_model = joblib.load('model_rf.pkl') loaded_preprocess = joblib.load('preprocess.pkl') new_data = pd.DataFrame([{...}]) # 构造一条新样本 new_processed = loaded_preprocess.transform(new_data) prediction = loaded_model.predict(new_processed) print(f"预测结果: {prediction[0]}")这个脚本虽然简单，但能让你在简历里写“完成了从数据预处理到模型部署的完整流程”。如果时间充裕，还可以用Flask或Streamlit包一个网页界面，输入特征值就能看到预测结果。我见过不少同学靠这一步，把课程作业变成了面试时的演示项目。
最后说一个我自己的习惯：每次做完作业，把代码、数据、报告、图表整理到一个文件夹里，写一个README.md说明每个文件的作用和运行顺序。这个习惯看起来不起眼，但等你下次需要复用代码，或者面试官要看项目时，你会感谢自己当初多花了这十分钟。希望帮到你。
本文还有配套的精品资源，点击获取
