作业要求 1. 数据预处理 - 加载数据集 加载给定的医疗表格数据集，查看数据的基本信息（如维度、数据类型、缺失值等）。 - 处理缺失值 - 如果数据集中存在缺失值，可以选择删除含有缺失值的样本或使用均值填充（需简单说明选择的理由）。 2. 逻辑回归模型构建与训练 - 构建逻辑回归模型 - 使用Python的Scikit-learn库构建逻辑回归分类模型（`LogisticRegression`）。 - 划分训练集和测试集（建议按80%训练集，20%测试集划分）。 - 超参数调整 - 调整正则化强度`C`（如尝试0.1、1、10等值），观察其对模型性能的影响。 3. 模型评估 - 评估指标 - 使用准确率（Accuracy）和F1值（F1-Score）评估模型在测试集上的性能。 - 绘制混淆矩阵以直观展示分类结果。 4. 实验报告（10分） - 提交要求 - 文件名必须为“学号+姓名”格式（如`20231234_张三.pdf`）。 数据集 本次实验推荐使用Kaggle上的糖尿病数据集（Pima Indians Diabetes Dataset）。该数据集包含了患者的多种医学特征（如血糖水平、血压、BMI等）以及是否患有糖尿病的诊断结果（二分类问题），非常适合用于逻辑回归建模。 数据字段说明： - `Pregnancies`: 怀孕次数 - `Glucose`: 血糖水平 - `BloodPressure`: 血压 - `SkinThickness`: 皮肤厚度 - `Insulin`: 胰岛素水平 - `BMI`: 身体质量指数 - `DiabetesPedigreeFunction`: 糖尿病家族遗传函数 - `Age`: 年龄 - `Outcome`: 是否患有糖尿病（0=否，1=是） 按照实验目的，实验内容，实验环境，实验过程及结果给出我完整过程详细不易报错

<think>嗯，用户想要一个完整的Python代码示例，用逻辑回归模型对糖尿病数据集进行建模，包括数据预处理、模型训练、超参数调整和评估。首先，我需要理清楚整个流程的步骤。 首先，数据加载。用户提到了Pima Indians Diabetes数据集，可能需要确认一下这个数据集的具体列名，因为之前在引用[2]中看到他们给数据集添加了列名，比如['Pregnancies', 'Glucose'等。所以在代码里应该先加载数据并正确命名列，避免后续处理出错。 然后是数据预处理。用户特别提到缺失值处理，引用[2]和[3]里提到了用KNNImputer来处理缺失值。但原数据集可能其实是用0来表示缺失值，比如Glucose为0的情况是不合理的，所以需要将这些0替换为NaN，然后再用KNNImputer填充。这一步需要特别注意，否则直接用原始数据可能会影响模型效果。 接下来是数据拆分。需要用到train_test_split来划分训练集和测试集，确保分层抽样，保持类别分布。引用[5]提到朴素贝叶斯的例子，但这里逻辑回归类似，需要正确划分数据。 模型构建部分，使用逻辑回归，Scikit-learn的LogisticRegression。超参数调整主要是正则化强度C，这里用户要求调整C的值，所以需要用GridSearchCV或RandomizedSearchCV进行参数搜索。正则化类型可能包括L1和L2，不过默认是L2，但需要确认是否在参数网格中包含。 评估指标方面，用户要求准确率和F1分数，还有混淆矩阵。需要从sklearn.metrics导入这些指标，并在测试集上计算。混淆矩阵可以用ConfusionMatrixDisplay来可视化，这样更直观。 代码的易运行性很重要，所以需要确保所有库都已导入，比如pandas, numpy, sklearn的相关模块，以及matplotlib用于绘图。可能还需要检查数据集的文件名是否正确，比如是否叫pima-indians-diabetes.csv，是否需要指定路径。 另外，在预处理步骤中，特征缩放可能影响逻辑回归的表现，尤其是使用正则化时。StandardScaler进行标准化处理是必要的，应该在数据填充缺失值之后进行，避免数据泄漏。也就是说，先处理缺失值，再划分数据集，然后在训练集上拟合scaler，应用到训练和测试集。 在超参数调整时，参数网格的设置可能需要考虑C的范围，比如对数均匀分布，或者预设的几个值。这里用户提到调整C的值，所以用GridSearchCV可能更合适，或者使用RandomizedSearchCV来覆盖更广的范围。 最后，确保代码的每一步都有注释，方便用户理解。并且要处理所有可能的报错点，比如文件路径错误、库未安装等，但用户可能已经安装了基本的数据科学库，如pandas, sklearn等。 另外，引用[3]中提到KNNImputer的使用，所以在代码中正确应用这个方法来填充缺失值是关键。同时，引用[5]中的逻辑回归和贝叶斯的对比可能无关，但确保逻辑回归的参数设置正确，比如max_iter足够大以避免收敛警告。 总结步骤：加载数据→处理0值为NaN→填充缺失值→划分数据集→标准化→调参（C值）→训练模型→评估→绘图。需要按这个顺序编写代码，并测试代码是否可运行。</think>以下是一个基于逻辑回归的完整糖尿病预测建模代码示例，包含数据预处理、模型调优和评估全流程： ```python # 环境准备 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.preprocessing import StandardScaler from sklearn.impute import KNNImputer from sklearn.linear_model import LogisticRegression from sklearn.metrics import (accuracy_score, f1_score, confusion_matrix, ConfusionMatrixDisplay) from sklearn.pipeline import make_pipeline # 1. 数据加载与探索 # 数据集下载：https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database df = pd.read_csv('pima-indians-diabetes.csv', names=['Pregnancies','Glucose','BloodPressure','SkinThickness', 'Insulin','BMI','DiabetesPedigreeFunction','Age','Outcome']) # 2. 数据预处理 # 将生理指标中的0值替换为NaN（原始数据用0表示缺失值） cols = ['Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI'] df[cols] = df[cols].replace(0, np.nan) # KNN缺失值填充 imputer = KNNImputer(n_neighbors=5) df_imputed = pd.DataFrame(imputer.fit_transform(df), columns=df.columns) # 3. 数据拆分 X = df_imputed.drop('Outcome', axis=1) y = df_imputed['Outcome'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42) # 4. 特征标准化 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 5. 模型构建与超参数调优 # 创建管道（标准化+逻辑回归） pipe = make_pipeline(StandardScaler(), LogisticRegression(solver='liblinear', max_iter=1000, random_state=42)) # 设置参数网格 param_grid = { 'logisticregression__C': np.logspace(-3, 3, 7), # 正则化强度的倒数 'logisticregression__penalty': ['l1', 'l2'] } # 网格搜索 grid = GridSearchCV(pipe, param_grid, cv=5, scoring=['accuracy', 'f1'], refit='f1') grid.fit(X_train, y_train) # 6. 模型评估 best_model = grid.best_estimator_ y_pred = best_model.predict(X_test) # 性能指标 print(f"最佳参数: {grid.best_params_}") print(f"测试集准确率: {accuracy_score(y_test, y_pred):.3f}") print(f"测试集F1分数: {f1_score(y_test, y_pred):.3f}") # 混淆矩阵可视化 cm = confusion_matrix(y_test, y_pred) disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=best_model.classes_) disp.plot(cmap='Blues') plt.title('Confusion Matrix') plt.show() ```