13-应用案例-宫颈癌风险因素数据集

宫颈癌风险因素数据集

知识点概述

这是一个二分类任务的数据集，目标是根据女性的人口统计学数据、生活习惯和病史等风险因素，预测其是否会患宫颈癌。该数据集在本书中被广泛用于演示各种分类模型的解释方法。

教材原文

宫颈癌数据集包含预测女性是否会患宫颈癌的指标和危险因素。这些特征包括人口统计学数据 (如年龄)、生活方式和病史。数据可从 UCI 机器学习库 下载，并由 Fernandes、Cardoso 和 Fernandes (2017) 整理 [15]。 … 活检结果作为判断是否患癌症的最终结果。对于本书中的例子，活检结果被用作目标。

详细解释

• 任务类型: 分类 (Classification)，一个二分类问题。
• 预测目标: Biopsy - 活检结果，“Healthy”（健康）或 “Cancer”（癌症）。
• 主要特征:
  • 人口统计学: Age (年龄)。
  • 生活习惯:
    • Number of sexual partners (性伴侣数量)。
    • First sexual intercourse (首次性行为年龄)。
    • Smokes (是否吸烟) / Smokes (years) (烟龄)。
  • 病史:
    • Hormonal Contraceptives (是否服用激素避孕药) / Hormonal Contraceptives (years) (服用年限)。
    • IUD (是否有宫内节育器) / IUD (years) (使用年限)。
    • STDs (是否患有性传播疾病) / STDs: Number of diagnosis (性病诊断次数)。
• 数据特点:
  • 不平衡数据 (Imbalanced Data): 患癌症的样本远少于健康的样本，这是许多医疗数据集的共同特点。
  • 缺失值 (Missing Values): 数据中包含缺失值，在建模前需要进行处理（如用众数填充）。
  • 敏感信息: 包含非常私人的问题，可能存在数据偏差。

学习要点

• 学习处理不平衡分类问题的方法。
• 了解在真实世界数据集中处理缺失值的必要性。
• 该案例是理解特征如何影响模型对个体预测（如一个病人的患癌风险）的绝佳示例。

实践应用

本书在多个章节中使用了该数据集来具体展示：

• 可解释模型: 如何使用逻辑回归（16-理论方法-逻辑回归）来预测患癌风险并解释各个风险因素的影响。
• 模型无关方法: 如何使用SHAP（38-理论方法-SHAP）等方法来解释一个训练好的黑盒模型（如随机森林）对于单个病人的预测结果。
• 有影响力的实例: 如何通过识别最有影响力的训练样本（43-理论方法-有影响力的实例）来调试模型和发现数据问题。

关联知识点

• 后续知识: 16-理论方法-逻辑回归, 38-理论方法-SHAP, 43-理论方法-有影响力的实例