基于朴素贝叶斯与高斯分布的糖尿病检测系统实战

简介这份PDF文档面向模式识别、机器学习入门学习者与课程设计实践者围绕朴素贝叶斯分类器在医疗场景中的落地展开帮助读者理解如何用统计学方法完成糖尿病风险预测。文档完整呈现了从原理到代码的实现路径先梳理贝叶斯定理与条件概率的分类逻辑再基于皮马印第安人糖尿病数据集完成数据加载、按9:1拆分训练与测试集、按类别汇总均值方差标准差并借助高斯概率密度函数计算特征似然最终累乘得到类别概率并输出预测与准确率。文中还给出loadCsv、SplitDataset、separateByClass、summarizeByClass、calculateProbability等关键函数的实现细节并配有程序流程图、数据集输出截图与概率计算代码图示便于对照复现。资源包为1个PDF文件大小约771KB轻量易存适合作为课程大作业参考或贝叶斯分类实战的入门范例。目前已有235人学习可帮助读者快速掌握朴素贝叶斯建模流程与评估思路。1. 从一份医学数据集说起为什么选朴素贝叶斯做糖尿病检测拿到“基于贝叶斯定理的糖尿病检测系统”这个题目时很多人第一反应是上深度学习觉得神经网络才够“高级”。但真正做过医学小样本分类的人会告诉你皮马印第安数据集只有几百条记录特征维度不到十个硬套深层模型大概率翻车——过拟合、训练不稳定、调参玄学最后准确率还不如一个朴素贝叶斯。这套方案要解决的就是这个问题用最朴素的概率方法把糖尿病检测做成一个能跑通、能解释、能验收的完整系统。它适合正在做模式识别大作业、机器学习课设的学生也适合想快速搭一个可解释分类原型的从业者。整套系统围绕贝叶斯定理展开从数据加载、特征统计、高斯概率估计到预测评估和可视化每一步都有明确的数学依据不依赖黑匣子。2. 需求分析与技术选型为什么是朴素贝叶斯加高斯分布2.1 业务需求拆解糖尿病检测系统的核心需求可以拆成四条。第一输入是一组生理指标包括年龄、性别、BMI、血清化验值等九项数值特征输出是一个二分类结果——五年内是否发病。第二系统必须给出可解释的判断依据不能只丢一个概率值出来医生或使用者需要知道哪些特征对结果影响大。第三数据量有限皮马印第安数据集只有几百条记录模型不能太复杂。第四需要可视化展示把特征与发病之间的关系用图表呈现出来方便做结果分析。这四条需求决定了技术选型的方向。数据量小、要求可解释、特征独立假设基本成立朴素贝叶斯是天然匹配的方案。它不需要迭代训练没有梯度下降的调参过程计算过程就是概率统计每一步都能追溯到公式。2.2 为什么用高斯分布估计特征概率朴素贝叶斯的核心假设是特征条件独立但光有独立性还不够还得知道每个特征在给定类别下的概率分布。皮马数据集的特征都是连续数值年龄、BMI、血糖值这些量不会只取几个离散值所以不能用简单的频率计数来估计概率。通常的做法是假设每个特征在各自类别下服从高斯分布。这个假设在医学指标上比较合理——比如健康人群的 BMI 大致围绕一个均值波动糖尿病患者的 BMI 均值会偏移但分布形状仍然接近正态。用高斯分布的好处是只需要两个参数均值和标准差。有了这两个值任意特征值的条件概率都能用概率密度函数算出来。公式本身不复杂F(x) (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))其中 μ 是均值σ 是标准差。代码实现时先算指数部分再算前面的系数最后相乘。这个函数在后续的calculateProbability()里会反复调用。2.3 环境与工具链原方案用的环境是 Windows 11 家庭中文版CPU 为 i7-8550U内存 8GB开发工具是 PyCharm Community Edition 2021.3.1语言是 Python。这套配置对朴素贝叶斯来说绰绰有余因为整个计算过程就是遍历数据集做统计没有矩阵运算的大开销。依赖库方面核心实现只用到了 Python 标准库的csv、random和math不需要 numpy 或 sklearn。可视化部分用了numpy、pandas、matplotlib和sklearn.datasets来加载糖尿病数据集并绘制线性回归图。这种“核心手写、辅助用库”的搭配在课程设计中很常见既能体现算法理解又能快速出图。提示如果你的环境里 sklearn 版本较新load_diabetes()返回的数据结构可能有细微差异建议先打印data_diabetes.keys()确认字段名。3. 总体架构设计从数据加载到预测输出的完整链路3.1 系统流程与模块划分整个系统的流程可以概括为六步载入数据、拆分训练集和测试集、按类别汇总特征统计量、计算条件概率并做出预测、评估准确率、图表展示。每一步对应一个或多个函数模块之间通过数据传递串联起来。程序流程图描述如下开始后先载入 CSV 数据然后按比例拆分数据集接着计算每个类别下每个属性的均值和标准差再对测试集逐条计算属于各类别的概率并取最大值作为预测类别最后对比预测值与真实值算出准确率并以图表形式展示特征与结果的关系。模块划分上核心分类模块包含loadCsv()、splitDataset()、separateByClass()、summarize()、summarizeByClass()、calculateProbability()、calculateClassProbabilities()、predict()、getPredictions()和getAccuracy()十个函数。可视化模块独立成一个代码文件负责加载 sklearn 内置的糖尿病数据集、建立线性回归模型并绘制散点图和拟合直线。3.2 数据加载与预处理数据加载用loadCsv()函数完成。它打开 CSV 文件用csv.reader()逐行读取把每一行转成列表然后遍历所有元素将字符串转为浮点数。这里有一个细节原始数据最后一列是类别标签0 表示五年内不发病1 表示发病转换时一并处理。import csv def loadCsv(): # 打开CSV文件指定编码防止中文路径报错 lines csv.reader(open(diabetes.data.csv, r, encodingutf-8)) dataset list(lines) # 将字符串格式的数值转为浮点数便于后续计算 for i in range(len(dataset)): dataset[i] [float(x) for x in dataset[i]] return dataset这段代码的关键点在于float(x)的批量转换。如果数据里有缺失值或非数值字符这里会直接抛异常所以实际使用时通常要先做一轮数据清洗。另外训练阶段可以打开print查看数据加载情况最终提交时注释掉避免输出几百行数据影响结果阅读。3.3 训练集拆分与类别分离拆分数据集用splitDataset()函数采用随机抽取的方式。原方案中训练集比例设为 0.67也就是约三分之二用于训练三分之一用于测试。摘要描述里提到 90% 训练、10% 测试这两个比例都可以比例越高训练越充分但测试样本越少通常课程设计里 0.67 到 0.8 之间比较稳妥。import random def splitDataset(dataset, splitRatio): trainSize int(len(dataset) * splitRatio) trainSet [] copy list(dataset) # 随机从数据集中抽取样本加入训练集 while len(trainSet) trainSize: index random.randrange(len(copy)) trainSet.append(copy.pop(index)) return [trainSet, copy]拆分完成后用separateByClass()按类别把数据分开。这个函数的逻辑是遍历数据集以类别标签为 key把同属一个类别的记录放到同一个列表里。返回的是一个字典key 是 0 或 1value 是对应的记录列表。def separateByClass(dataset): separated {} for i in range(len(dataset)): vector dataset[i] if vector[-1] not in separated: separated[vector[-1]] [] separated[vector[-1]].append(vector) return separated3.4 特征统计量计算有了按类别分开的数据接下来计算每个类别下每个属性的均值和标准差。mean()函数就是求和除以个数stdev()先算方差再开根号。注意方差计算时分母是len(numbers)-1这是样本标准差的无偏估计。import math def mean(numbers): return sum(numbers) / float(len(numbers)) def stdev(numbers): avg mean(numbers) variance sum([pow(x - avg, 2) for x in numbers]) / float(len(numbers) - 1) return math.sqrt(variance)summarize()函数用zip(*dataset)把数据集转置让每一列即每个属性聚在一起然后对每个属性计算均值和标准差最后用del summaries[-1]删掉类别标签那一列。summarizeByClass()则是对每个类别分别调用summarize()返回一个嵌套字典外层 key 是类别内层是每个属性的统计量列表。4. 核心算法实现高斯概率计算与贝叶斯分类4.1 高斯概率密度函数实现calculateProbability()是整套系统的数学核心。它接收三个参数特征值 x、该特征在某个类别下的均值 mean 和标准差 stdev返回该特征值属于该类别的条件概率。def calculateProbability(x, mean, stdev): # 计算指数部分-(x-μ)² / (2σ²) exponent math.exp(-(math.pow(x - mean, 2) / (2 * math.pow(stdev, 2)))) # 高斯概率密度函数完整公式 return (1 / (math.sqrt(2 * math.pi) * stdev)) * exponent这里有一个容易踩的坑如果某个属性的标准差为 0除法会直接报错。实际数据中虽然少见但理论上存在这种可能。稳妥的做法是在stdev()返回前加一个极小值保护或者在调用calculateProbability()前判断 stdev 是否接近零。4.2 类别概率的连乘与预测calculateClassProbabilities()函数把单个特征的概率连乘起来得到整个样本属于某个类别的概率。初始化时probabilities[classValue] 1然后遍历该类别的每个属性统计量取出均值和标准差再取样本对应位置的特征值调用calculateProbability()并把结果乘进去。def calculateClassProbabilities(summaries, inputVector): probabilities {} for classValue, classSummaries in summaries.items(): probabilities[classValue] 1 for i in range(len(classSummaries)): mean, stdev classSummaries[i] x inputVector[i] # 连乘每个特征的条件概率 probabilities[classValue] * calculateProbability(x, mean, stdev) return probabilitiespredict()函数在拿到各类别的概率后遍历字典找最大值对应的类别。因为贝叶斯公式的分母 P(x) 对所有类别都一样比较分子就等价于比较后验概率所以不需要额外做归一化。def predict(summaries, inputVector): probabilities calculateClassProbabilities(summaries, inputVector) bestLabel, bestProb None, -1 for classValue, probability in probabilities.items(): if bestLabel is None or probability bestProb: bestProb probability bestLabel classValue return bestLabel4.3 批量预测与准确率评估getPredictions()对测试集逐条调用predict()把结果存到一个列表里。getAccuracy()则把预测列表和测试集的真实标签逐条对比统计正确的数量最后除以测试集总数乘以 100% 得到准确率。def getPredictions(summaries, testSet): predictions [] for i in range(len(testSet)): result predict(summaries, testSet[i]) predictions.append(result) return predictions def getAccuracy(testSet, predictions): correct 0 for x in range(len(testSet)): if testSet[x][-1] predictions[x]: correct 1 return (correct / float(len(testSet))) * 100.0主程序里把训练集比例设为 0.67依次调用加载、拆分、汇总、预测和评估函数最后打印准确率。这个流程跑通后换不同的随机种子多跑几次可以观察准确率的波动范围。如果波动很大说明测试集太小可以适当提高训练集比例。4.4 可视化与线性回归分析可视化部分单独一个文件用 sklearn 加载糖尿病数据集转成 DataFrame 后对每个特征分别建立线性回归模型画出散点图和拟合直线。import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import load_diabetes from sklearn.linear_model import LinearRegression data_diabetes load_diabetes() data data_diabetes[data] target data_diabetes[target] feature_names data_diabetes[feature_names] df pd.DataFrame(data, columnsfeature_names) plt.figure(figsize(12, 25)) for i, col in enumerate(df.columns): train_X df.loc[:, col].values.reshape(-1, 1) train_Y target linear_model LinearRegression() linear_model.fit(train_X, train_Y) score linear_model.score(train_X, train_Y) axes plt.subplot(5, 2, i 1) plt.scatter(train_X, train_Y) k linear_model.coef_ b linear_model.intercept_ x np.linspace(train_X.min(), train_X.max(), 100) y k * x b plt.plot(x, y, cred) axes.set_title(col : str(score)) plt.show()这段代码的关键在于reshape(-1, 1)因为线性回归要求输入是二维数组而 DataFrame 取一列出来是一维 Series。每个子图的标题里带了 R² 分数可以直观看出哪个特征与目标值的线性关系最强。从结果来看BMI 与糖尿病发病的相关性最大年龄有微弱关系性别基本无关这与医学常识一致。5. 避坑与常见问题排查5.1 准确率波动大每次跑结果不一样现象同一份数据每次运行程序得到的准确率差异明显有时差好几个百分点。原因splitDataset()用的是随机抽取测试集不同导致评估结果波动。数据量本身不大测试集可能只有几十条记录一两条预测结果变化就会影响准确率。解决固定随机种子在splitDataset()调用前加random.seed(42)。或者做多次随机拆分取平均准确率比如跑十次取均值这样评估结果更稳定。5.2 高斯概率计算报 ZeroDivisionError现象程序运行到calculateProbability()时抛出除零异常。原因某个属性在某个类别下的标准差为 0即该类别中所有样本的这个特征值完全相同。虽然皮马数据集里少见但换其他数据集时可能遇到。解决在stdev()函数返回前加保护如果方差小于一个极小值如 1e-6返回该极小值。或者在calculateProbability()里判断 stdev 是否接近零是的话直接返回一个默认概率。5.3 数据加载时中文路径或编码报错现象loadCsv()打开文件时报UnicodeDecodeError或FileNotFoundError。原因CSV 文件路径包含中文或者文件编码不是 UTF-8。Windows 下默认编码可能是 GBK。解决open()时显式指定encodingutf-8如果文件本身是 GBK 编码则改为encodinggbk。路径尽量用相对路径把 CSV 文件和代码放在同一目录下避免绝对路径带来的问题。5.4 可视化图表显示不全或重叠现象plt.subplot(5, 2, i1)画出来的子图标题和坐标轴标签挤在一起看不清。原因画板尺寸不够大或者子图间距没调整。解决plt.figure(figsize(12, 25))把画板调大同时在plt.show()前加plt.tight_layout()自动调整间距。如果还是重叠可以手动设置plt.subplots_adjust(hspace0.5)。5.5 预测结果全为同一类别现象所有测试样本都被预测为 0 或都被预测为 1准确率等于多数类占比。原因特征量纲差异大某些数值范围大的特征在连乘时主导了概率结果。或者训练集中类别不平衡严重。解决对特征做归一化处理把每个属性缩放到 0 到 1 之间。另外检查训练集和测试集的类别分布如果某一类样本极少考虑调整拆分比例或做分层抽样。6. 验收与答辩怎么证明这套系统真的跑通了验收的核心不是看准确率有多高而是看整个链路是否完整、每一步是否有依据。我一般会按下面这个清单逐项过一遍。验收项检查内容合格标准数据加载CSV 能否正确读取并转为数值打印前五行确认无字符串残留数据集拆分训练集和测试集比例是否符合设定打印两个集合的长度比例误差不超过 1 条特征统计每个类别每个属性的均值和标准差是否合理均值在数据范围内标准差不为零概率计算高斯概率密度函数返回值是否在 0 到 1 之间抽查几个样本概率值合理预测输出测试集预测结果是否有多样性不是全 0 或全 1准确率多次运行准确率是否稳定波动范围在可接受区间内可视化图表是否能正常显示且信息完整每个子图有标题、坐标轴标签清晰答辩时老师最常问的几个问题为什么选朴素贝叶斯而不是其他分类器高斯分布假设的依据是什么准确率受哪些因素影响这些问题在方案里都有答案。回答时不要背公式用自己的话把逻辑讲清楚——数据量小、要求可解释、特征独立假设基本成立所以选朴素贝叶斯连续数值特征用高斯分布估计条件概率是标准做法准确率受训练集比例、随机种子、特征量纲影响。还有一个技巧准备一份对比实验。把训练集比例分别设为 0.6、0.7、0.8各跑五次取平均准确率画一张折线图。这样答辩时不仅能展示系统能跑还能展示你分析过参数的影响。从那以后我每次做课程设计验收都强制自己走一遍“跑通、记录、对比、解释”四步缺一步都不踏实。希望帮到你。本文还有配套的精品资源点击获取