使用KNN与决策树算法预测阿尔茨海默病的机器学习实践

标题：使用KNN与决策树算法预测阿尔茨海默病的机器学习实践

核心观点：本项目基于监督学习，采用K近邻（KNN）和决策树算法对阿尔茨海默病患者数据进行分类预测，涵盖数据处理、模型训练与评估完整流程。项目由ariapatrikaki维护，发布于2026-05-30的GitHub平台，原始链接：https://github.com/ariapatrikaki/Machine-Learning

关键词：机器学习, 医疗诊断, 阿尔茨海默病, K近邻, 决策树, 监督学习, Python, scikit-learn

阿尔茨海默病是老年痴呆最常见病因，全球老龄化加剧使早期诊断至关重要。传统诊断依赖临床医生经验判断，存在主观性强、早期识别困难等问题。机器学习技术通过分析患者临床数据，学习疾病特征与诊断结果的关联，辅助医生更准确判断。本项目探索经典监督学习算法在该病预测诊断中的应用。

技术方案

采用两种经典监督学习算法对比：

1. KNN：基于实例学习，核心是近邻投票，优势为直观易懂、无需训练阶段、非参数化适合复杂医学数据。
2. 决策树：递归划分特征构建树形模型，特点是可解释性强、自动特征选择、处理混合数据。

工作流程

1. 数据预处理：清洗、标准化、处理缺失值等。
2. 模型训练：交叉验证避免过拟合。
3. 超参数调优：优化KNN的K值、决策树的最大深度等（网格/随机搜索）。
4. 评估：用准确率、精确率、召回率、F1分数、混淆矩阵等指标。
5. 模型对比：分析两算法优缺点。

仓库包含两个Notebook文件：

• DecisionTree_Assigememt_patrikaki.ipynb：决策树模型完整实现与评估
• KNN_patrikaki.ipynb：K近邻算法完整实现与评估

分离式设计便于独立学习复现及对比分析。

项目展示医疗AI典型应用模式：

1. 问题驱动：从临床需求出发
2. 方法对比：不迷信单一算法
3. 全流程覆盖：培养工程思维
4. 可解释性优先：选择医生能理解的模型

对入门医疗AI开发者是好参考，证明规范流程+严谨评估，简单算法也能产出有价值的诊断辅助工具。