糖尿病预测因子分析：使用LASSO和PLSR构建可解释机器学习模型

本项目是加州大学伯克利分校生物工程课程的期末项目，核心目标是构建具有可解释性的糖尿病预测模型。与黑盒模型不同，项目强调模型不仅能预测，还能明确指出关键生物标志物。主要使用LASSO回归和偏最小二乘回归（PLSR）两种方法，兼顾预测性能与可解释性，为医疗AI的临床应用提供参考。

该项目来自伯克利"BioE 175:数据驱动模型与机器学习"课程期末作业。核心目标是构建可解释的糖尿病预测模型——医疗AI中，医生和患者需要理解模型决策依据，因此解释性至关重要。项目回应了这一需求，旨在从生物标志物中识别糖尿病关键预测因子。

项目使用真实生物医学数据集，经严格预处理。特征工程流程包括：1.数据清洗（处理缺失值、异常值）；2.基于领域知识筛选相关生物标志物；3.非正态特征的对数/幂变换；4.标准化处理。相关步骤记录在feature_engineering_notebook.ipynb中。

LASSO回归：通过L1正则化实现预测与特征选择，收缩部分系数至零，筛选重要生物标志物，避免过拟合，模型稀疏易解释。PLSR：处理高维数据多重共线性，通过潜在变量降维，捕捉特征间联合效应，与LASSO互补。相关实现见LASSO_Data_Analysis.ipynb和plsr_notebook.ipynb。

项目通过三种方式实现可解释性：1.特征重要性可视化（LASSO非零系数排序）；2.统计显著性检验（交叉验证、置信区间确保结果可靠）；3.临床可解释表述（如"空腹血糖每增加1单位，糖尿病风险增加X%"）。

启示：医疗AI需权衡准确性与可解释性，领域知识对特征工程至关重要，可解释模型更易满足监管要求。扩展方向：多疾病应用、纵向数据分析、集成学习、外部验证、临床决策工具开发。