[Kaggle 專題研究分享] 糖尿病預測:血液檢測資料之機器學習分析
編輯製作:洪翊綺、蔡豐聲
出品團隊:中國醫藥大學 醫療資訊學系 程式俱樂部
YT:https://youtu.be/WSeCyoF3RKE
📌 參考文獻與資料來源 (References & Datasets)
Kaggle 資料集:
Sima Anjali (Kaggle)Health Test by Blood Dataset 技術參考:
Model evaluation metrics deep dive 🔥 (Silver Medal Notebook)
- 探討重點:深入剖析醫療分類模型各項評估指標(Accuracy, Precision, Recall, F1-Score, ROC-AUC)之選用時機與權衡
。
Comparative Analysis of ML - Acc = 0.9981 (Gold Medal Notebook)
- 探討重點:針對血液檢測數值進行多演算法橫向比較分析與超參數調校技術
。 Health test by blood (Bronze Medal Notebook)
探討重點:臨床血液特徵分布探索、缺失值檢視與基礎機器學習流程實作。
糖尿病是全球盛行率極高的慢性代謝疾病,若未及早發現與介入,常伴隨嚴重的心血管疾病與腎功能損害
本報告的核心精神在於:不單看最終指標,更注重嚴謹、具可重現性的端到端(End-to-End)分析流程——從資料品質檢驗、探索性資料分析(EDA)、醫學特徵工程,到多模型評估、超參數最佳化與 SHAP 模型解釋
🗺️ 專案八大分析階段與工作流程
[資料讀取與品質檢查] ➔ [探索性資料分析 (EDA)] ➔ [相關性與共線性分析] ➔ [醫學特徵工程]
➔ [資料切分與標準化] ➔ [多模型訓練與評估] ➔ [GridSearchCV 調參] ➔ [SHAP 特徵解釋]
本專案規劃為 44 個具體實作指令步驟,涵蓋機器學習專案的八大關鍵階段
資料品質檢查 (Data Quality Check):維度檢視、型態確認、缺失值與重複值清查
。 探索性資料分析 (EDA):標籤平衡度、直方圖、KDE 密度圖、箱型圖(Boxplot)與小提琴圖(Violin Plot)
。 相關性分析 (Correlation Analysis):Pearson 矩陣、熱力圖、目標關聯性與多重共線性檢驗
。 特徵工程 (Feature Engineering):臨床指標分組、互動項特徵建構、生理不合理 0 值校正
。 資料切分與標準化 (Data Split & Scaling):避免 Data Leakage、特徵縮放
。 模型建立與評估 (Modeling & Evaluation):五大經典分類器訓練、ROC-AUC、混淆矩陣對比
。 模型調參與最佳化 (Hyperparameter Tuning):GridSearchCV 超參數搜尋
。 特徵重要度與可解釋性 (SHAP Analysis):SHAP Summary Plot、特徵方向性解析與臨床建議
。
🔍 44 步驟實作細節深入拆解
階段一:資料品質檢查(Step 01 – Step 06)
Step 01–03:讀取
Diabetes Classification.csv,檢視前五筆與欄位型態,區分連續型數值與類別特徵,統計缺失值比例。 Step 04–06:檢查重複資料列並評估是否剔除;產出描述性統計(Count, Mean, Std, IQR, Min/Max),評估資料完整度與建模適應性
。
階段二:探索性資料分析 EDA(Step 07 – Step 14)
Step 07–08:繪製
Outcome的 Count Plot 與圓餅圖,評估類別不平衡(Class Imbalance)對後續模型訓練的可能影響。 Step 09–10:針對數值欄位繪製直方圖(Histogram)與 KDE 密度圖,觀察偏態(Skewness)與多峰分布
。 Step 11–13:利用 Boxplot 篩查極端值,並依據
Outcome分組繪製 Boxplot 與 Violin Plot,比較罹病與健康組群的數值中位數與密度差異。 Step 14:計算偏態係數與峰度(Kurtosis),判斷是否需進行對數轉換(Log Transform)
。
階段三:相關性分析(Step 15 – Step 19)
Step 15–17:計算 Pearson 相關係數矩陣並繪製 Correlation Heatmap,依特徵對
Outcome之相關性進行降冪排序,鎖定高預測潛力特徵(如 Glucose)。 Step 18–19:檢驗特徵間是否存在高度共線性(Multicollinearity),避免資訊重複干擾線性模型之權重判讀
。
階段四:特徵工程 Feature Engineering(Step 20 – Step 28)
特徵工程是醫療 AI 最能體現「領域知識(Domain Knowledge)」的環節
臨床切點分組特徵:
BMI 分組:過輕、正常、過重、肥胖
。 Age 分組:年齡層級距劃分
。 Glucose 分組:正常、前期糖尿病(Pre-diabetes)、高血糖
。
醫學生理交互項(Interaction Terms):
BMI$\times$Age:觀察年齡老化與肥胖對胰島素抗性的加乘效應
。 BMI$\times$Glucose:結合代謝負荷與血糖水平
。 Pregnancies$\times$Age:評估妊娠次數與年齡交互風險
。
異常 0 值修復:檢查血壓(BloodPressure)、皮膚摺疊厚度(SkinThickness)、胰島素(Insulin)與 BMI 之不合理數值 0,視為生理缺失值進行補值或處理
。 特徵編碼:類別變數執行 Label / One-Hot Encoding,確保演算法能有效處理
。
階段五:資料切分與標準化(Step 29 – Step 33)
Step 29–31:設定
Outcome為標籤,使用train_test_split進行切分,並透過分層抽樣(Stratified Split)維持標籤比例一致。 Step 32–33:使用
StandardScaler進行標準化,嚴格遵循「僅以訓練集 Fit,再 Transform 測試集」的原則,杜絕資料外洩(Data Leakage)。
階段六:模型建立與多元評估(Step 34 – Step 41)
評估五大機器學習模型在測試集上的分類效能
模型範疇:
Logistic Regression (LR)
Decision Tree (DT)
Random Forest (RF)
K-Nearest Neighbors (KNN)
Support Vector Machine (SVM)
全方位指標評估:Accuracy、Precision、Recall、F1-Score 及 ROC-AUC
。 視覺化比較:繪製五大模型的混淆矩陣(Confusion Matrix)及合繪 ROC 曲線(ROC Curve),客觀比較模型判別能力
。
階段七與八:調參最佳化與 SHAP 解釋(Step 42 – Step 44)
Step 42:針對表現最優異的模型使用
GridSearchCV,以 ROC-AUC 為目標指標進行網格搜尋,找出最佳超參數組合。 Step 43–44:
計算 Feature Importance 與 Permutation Importance,量化各特徵貢獻度
。 導入 SHAP (SHapley Additive exPlanations):繪製 SHAP Summary Plot,拆解每個特徵對預測機率是正向提升或負向抑制,徹底打開醫療 AI 的「黑盒子」,提供臨床端可信賴的決策支持
。
📊 階段成果總結表
| 階段 (Step) | 分析核心 (Objective) | 主要動作與指令重點 | 產出成果 (Output) |
| 01 | Data Quality Check | 缺失值、重複值、資料型態檢驗 | 資料品質報告 (Data Quality Report) |
| 02 | EDA | 變數分布、類別比例、箱型圖與偏態檢視 | 探索性分析報告 (EDA Report) |
| 03 | Correlation Analysis | 計算 Pearson 矩陣、共線性與熱力圖 | 相關性矩陣圖 (Correlation Matrix) |
| 04 | Feature Engineering | BMI/Glucose 分組、生理交互項、0 值修正 | 衍生新特徵清單 (New Features) |
| 05 | Data Split & Scaling | 訓練/測試切分、標準化、避免 Leakage | 標準化資料集 (Training/Test Dataset) |
| 06 | Modeling & Evaluation | 訓練 LR, DT, RF, KNN, SVM 五大分類器 | 效能指標與 ROC/混淆矩陣 (Model Metrics) |
| 07 | Hyperparameter Tuning | 使用 GridSearchCV 進行超參數最佳化 | 最佳參數組合 (Best Parameters) |
| 08 | SHAP Analysis | SHAP Summary Plot、特徵貢獻方向與總結 | 模型可解釋性報告 (SHAP Report) |