基于决策树的乳腺癌诊断模型实战：从数据预处理到模型优化

1次阅读

共计 2055 个字符，预计需要花费 6 分钟才能阅读完成。

医疗领域的数据分析常面临两大核心问题：

高维特征空间 ：乳腺癌 Wisconsin 数据集包含 30 个特征（如细胞半径、纹理、周长等），需要有效筛选关键特征
样本不平衡 ：恶性与良性样本比例约为 37:63，可能影响模型对少数类的识别能力

传统逻辑回归等线性模型难以捕捉特征间复杂关系，而深度学习又面临数据量不足的问题，这正是决策树算法的优势场景。

算法	优势	医疗数据局限性
决策树	可解释性强，自动特征选择	容易过拟合
随机森林	缓解过拟合，更高准确率	黑箱特性，临床解释成本高
SVM	高维空间表现好	参数敏感，训练耗时长

决策树因其可视化诊断路径的能力，成为医疗合规性要求下的优先选择。

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 加载数据集
df = pd.read_csv('data.csv')
labels = df['diagnosis'].map({'M':1, 'B':0})  # 恶性标记为 1

# 处理缺失值（Wisconsin 数据集已完整，此处演示通用流程）data = df.drop(['id','diagnosis'], axis=1)
data.fillna(data.median(), inplace=True)

# 标准化（决策树虽不需要，但为后续对比实验准备）scaler = StandardScaler()
scaled_data = scaler.fit_transform(data)

from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.model_selection import train_test_split

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, stratify=labels, random_state=42)

# 基尼系数与信息熵对比实验
for criterion in ['gini', 'entropy']:
    clf = DecisionTreeClassifier(
        criterion=criterion,
        max_depth=3,  # 初始控制树深度
        min_samples_split=10,
        class_weight='balanced'
    )
    clf.fit(X_train, y_train)
    print(f'{criterion} 准则测试集准确率: {clf.score(X_test, y_test):.2f}')

import matplotlib.pyplot as plt

plt.figure(figsize=(20,10))
plot_tree(clf, 
          feature_names=data.columns,
          class_names=['Benign','Malignant'],
          filled=True,
          rounded=True)
plt.savefig('tree_visualization.png')

# 特征重要性
pd.Series(clf.feature_importances_, 
          index=data.columns).sort_values().plot.barh()

预剪枝 ：通过参数控制树生长

optimal_tree = DecisionTreeClassifier(
    max_depth=4,
    min_samples_leaf=5,
    ccp_alpha=0.01  # 代价复杂度剪枝
)

后剪枝 ：使用 cost_complexity_pruning_path

path = clf.cost_complexity_pruning_path(X_train, y_train)
ccp_alphas = path.ccp_alphas

调整 class_weight 参数
SMOTE 过采样技术
更改评估指标（F1-score 代替准确率）

临床验证 ：
与医生合作标注关键决策节点
使用 LIME 生成局部解释

API 部署 ：

from fastapi import FastAPI
import joblib

app = FastAPI()
model = joblib.load('model.pkl')

@app.post('/predict')
async def predict(features: dict):
    df = pd.DataFrame([features])
    proba = model.predict_proba(df)[0]
    return {'malignant_prob': float(proba[1])}