糖尿病预测Web应用：多算法对比与完整机器学习流程实践

本开源项目围绕糖尿病预测展开，使用Pima Indians数据集对比四种机器学习算法（逻辑回归、KNN、决策树、随机森林），涵盖完整的数据预处理、模型训练、评估流程，并通过Streamlit构建交互式Web仪表板，为机器学习初学者提供工程化实践参考。

项目使用经典的Pima Indians Diabetes Dataset（可从UCI机器学习仓库或Kaggle获取），含768条记录、8个医学特征（怀孕次数、血糖浓度、血压、皮褶厚度、胰岛素水平、BMI、糖尿病家族函数、年龄）及目标变量Outcome（0=无糖尿病/1=有糖尿病）。各特征与糖尿病风险相关，如血糖浓度是核心诊断指标，BMI反映肥胖风险等。

项目展示了从原始数据到部署的完整流程：

1. 数据预处理：将Glucose、BloodPressure等指标的零值视为缺失值转NaN，采用类别均值填充（按Outcome类别分别计算均值），并通过StandardScaler标准化特征；
2. 探索性数据分析（EDA）：分析类别分布、检测异常值、绘制相关性热力图、计算描述性统计量。

项目对比四种经典分类算法：

• 逻辑回归（基线模型）：准确率75.97%；
• K近邻：准确率85.71%；
• 决策树：测试集准确率89.61%（最高）；
• 随机森林：准确率86.36%，交叉验证显示稳定性更优。

评估采用多维度指标：准确率、精确率、召回率、F1-Score、混淆矩阵及K折交叉验证（Random Forest交叉验证得分0.8763）；针对Random Forest进行超参数调优，通过网格/随机搜索优化参数。

项目用Streamlit构建交互式预测仪表板：

• Streamlit优势：纯Python代码构建界面、实时交互组件、快速部署；
• 功能：用户输入医学指标，实时获取糖尿病风险预测结果，实现模型向应用的转化。

学习价值：覆盖机器学习全生命周期、多算法对比理解、评估指标应用、工程化代码组织、模型转应用能力； 改进方向：扩大数据集规模、优化类别不平衡、增强特征工程、尝试XGBoost/神经网络等先进算法、需临床专家验证预测结果。