简介这是一份面向人工智能与机器学习初学者、数据分析人员的Keras实战资源以印第安人糖尿病数据集为例演示如何用多层感知器MLP完成二分类诊断任务。压缩包共3个文件包含皮马印第安人糖尿病数据集的CSV文件、实现完整训练流程的Python脚本及数据集说明txt文本整体仅11KB轻量便携。已有342人学习了该资源。代码脚本完整覆盖数据预处理缺失值处理、标准化或归一化、Sequential模型搭建输入层、隐藏层及sigmoid输出层、模型编译binary_crossentropy损失、Adam优化器、accuracy指标与训练验证epochs、batch_size参数配置监控损失和准确率并演示如何用测试集评估泛化能力或对新样本进行预测。读者可借此掌握MLP处理表格型医疗数据的基本流程适合希望结合具体案例快速入门Keras与神经网络的开发者学习参考。1. 这个.rar包里装的是什么课程设计最常见的 AI 入门项目你拿到的这份keras人工智能构建多层感知器诊断印第安糖尿病.rar说白了就是人工智能入门阶段最经典的一套组合拳用 Keras 搭一个多层感知器MLP神经网络跑通 Pima Indians Diabetes 数据集训练出一个能判断患者是否患糖尿病的二分类模型。做人工智能大作业、课程设计或者想沿某条人工智能学习路径走通第一个实战项目的人大概率会遇到它。这套东西不复杂一台普通笔记本 CPU 就能在几分钟内跑完训练但“麻雀虽小五脏俱全”。数据预处理、模型搭建、训练调参、效果评估神经网络项目的完整链路都在里面。更关键的是这个数据集的坑比想象中多很多人第一次跑出来准确率虚高换个验证集就崩盘——这是做人工智能项目实战时最容易踩的坑也是这份项目最有价值的地方。下面我按“数据 → 模型 → 训练 → 评估 → 避坑”的顺序把整个流程拆开复现一遍每一步都给出可直接抄走的代码和参数。2. 先搞懂数据和模型为什么 MLP 能接住这个活2.1 Pima 数据集长什么样特征表与零值分布这个数据集出自 1988 年的一项研究记录的是美国亚利桑那州皮马印第安人女性的体检数据。样本量很小只有 768 条记录每条记录包含 8 个特征和 1 个二分类标签是否患糖尿病。特征清单如下特征名含义注意点Pregnancies怀孕次数0 是正常值不能当缺失处理Glucose口服葡萄糖耐量试验 2 小时血浆葡萄糖浓度存在大量 0 值物理上不可能BloodPressure舒张压mmHg存在 0 值物理上不可能SkinThickness三头肌皮褶厚度mm存在 0 值Insulin2 小时血清胰岛素mU/ml超过 30% 的记录为 0BMI体重指数kg/m²存在 0 值DiabetesPedigreeFunction糖尿病家族遗传函数无 0 值Age年龄最小值 21Outcome是否患病0 约占 65%1 约占 35%拿到数据后第一件事不是训练而是先看零值分布。以下代码统计每列的 0 值占比import pandas as pd df pd.read_csv(pima-indians-diabetes.csv, headerNone) df.columns [Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age, Outcome] # 统计除标签外各列的零值数量 zero_counts (df.iloc[:, :-1] 0).sum() print(各特征零值计数) print(zero_counts) print(总样本数, len(df))这段代码只做了一件事把 768 条样本按特征分组数出每列有多少个 0。运行结果会让你直观看到Glucose、BloodPressure、BMI 这些字段的 0 值并不是“缺失”而是测量值不可能为 0 的脏数据。把零值当正常值直接喂给模型后面准确率会忽高忽低这是这个数据集最出名的翻车点。从人工智能应用场景的角度看医疗诊断类项目因为标签明确、效果可量化一直是课程设计和毕业设计的首选方向。但医疗数据恰恰是最容易藏脏数据的地方这也是为什么我坚持让大家先做这一步统计再往下走。2.2 为什么用多层感知器而不是 CNN 或 XGBoost这个任务的数据形态是 8 个特征的表格数据不是图像、不是时序。CNN 擅长提取空间特征RNN 擅长处理序列在这里都发挥不出优势。而 MLP 对这种中小规模表格数据来说是性价比最高的选择——模型结构简单、训练速度快、可解释性也不差。有人会问表格数据用 XGBoost 或随机森林不是更好吗确实在 Kaggle 竞赛里树模型在类似数据集上往往分数更高。但做这个项目不是为了刷分而是为了理解神经网络的前向传播、反向传播、梯度更新这些核心机制。MLP 是这一切的基础跑通一个 MLP后续学 CNN、RNN、Transformer 都会顺畅很多。人工智能学习路径的起点通常就落在 MLP 上。另外这类项目对应的岗位方向也值得提一句。现在企业对人工智能训练师这类角色的要求恰恰是能把数据清洗、模型训练、效果评估这一整套流程跑通而不是只会调用现成接口。自己动手复现一个完整项目比看十篇教程都有用。2.3 网络结构设计层数、节点数与激活函数多层感知器的“多层”体现在隐藏层上。针对 8 个特征、768 条样本的规模我一般会这样设计结构from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout model Sequential([ # 输入层 8 个节点对应 8 个特征 Dense(16, activationrelu, input_shape(8,), namehidden1), Dropout(0.2), Dense(8, activationrelu, namehidden2), # 输出层 1 个节点sigmoid 输出患病概率 Dense(1, activationsigmoid, nameoutput) ])第一层隐藏层设 16 个节点作用是学习特征之间的组合关系比如血糖和 BMI 同时偏高是否更危险。第二层设 8 个节点进一步抽象特征。Dropout 放在第一层后面随机丢弃 20% 的神经元是为了防止模型把训练集中的噪声也“背”下来。激活函数选 ReLU 而不是 sigmoid因为 ReLU 能缓解梯度消失问题训练更快输出层用 sigmoid 则是为了把输出压缩到 0~1 之间解释为患病概率。节点数不是越多越好768 条样本配 128 个节点的隐藏层基本必过拟合。16 → 8 这个规模对这个数据集来说是经验上比较稳的配置。提示隐藏层节点数的选择先按“输入维度 × 2 → 输入维度 ÷ 2”的经验公式起步再根据验证集表现上下调整不要一上来就堆大网络。3. 搭环境Keras 安装与版本匹配的实操细节3.1 用 Anaconda 建独立环境避免污染全局 Pythonkeras 安装教程网上很多但最稳妥的还是用 Anaconda 建一个独立虚拟环境。这样即使你把 TensorFlow 装坏了系统原有的 Python 环境也不会受牵连。我通常这样操作conda create -n keras_mlp python3.9 -y conda activate keras_mlp pip install tensorflow-cpu2.10.0 pandas numpy scikit-learn matplotlib创建虚拟环境并激活后直接装 TensorFlow 2.10 的 CPU 版本同时把常用的数据处理库一起装上。选 CPU 版的原因很简单这个数据集用 CPU 训练也就几分钟没必要折腾 GPU。而且 TensorFlow 2.10 是最后一个在 Windows 上原生支持 GPU 的版本后面版本在 Windows 上跑 GPU 需要 WSL2对新手来说配置成本高、收益小。3.2 验证安装确认 Keras 的正确导入路径装好之后别急着写业务代码先确认框架能不能正常导入。这一步能筛掉一半的后续报错python -c import tensorflow as tf; print(tf.__version__); print(tf.keras.__version__)如果输出两个版本号说明安装成功。注意这里导入的是tf.keras而不是独立的keras。从 TensorFlow 2.x 开始官方推荐统一走tf.keras路径。网上很多老教程还在用from keras.models import Sequential这在老版本里能跑但换到新版环境会因为 Keras 3 与 TensorFlow 的兼容问题报错。统一用tf.keras能少踩很多坑。3.3 版本锁定为什么强调精确到小版本我见过太多人在这上面翻车装个最新版 TensorFlow然后发现某个 API 已经变了或者和老代码不兼容。这个项目最稳的版本组合是Python 3.9 TensorFlow 2.10 NumPy 1.24 pandas 2.0。尤其注意 NumPy 不要装太高版本TensorFlow 2.10 对 NumPy 2.x 支持不完整可能出现奇怪的 dtype 报错。如果你用的是 macOS 或 LinuxTensorFlow 2.10 同样适用命令完全一致。装完后建议顺手验证一下 CPU 是否被正确识别import tensorflow as tf print(tf.config.list_physical_devices(CPU))看到 CPU 设备列表输出说明框架能正常调用计算资源接着就可以进入数据预处理了。环境搭建是整个项目里最依赖“玄学”的环节但只要严格按版本组合来装能砍掉 80% 的莫名报错。4. 核心代码复现从原始 CSV 到训练完成4.1 数据加载与零值填充用中位数替换脏数据Pima 数据集的零值不能直接删因为本来就只有 768 条再删就没得训练了。正确做法是分字段处理Pregnancies 的 0 是正常值不能动Glucose、BloodPressure、SkinThickness、Insulin、BMI 的 0 是脏数据用非零值的中位数填充。为什么用中位数而不是均值因为胰岛素、BMI 这些字段的分布是偏态的均值会被极端值拉偏中位数更稳健。import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler df pd.read_csv(pima-indians-diabetes.csv, headerNone) df.columns [Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age, Outcome] # 需要填充的字段物理值不可能为 0 fill_cols [Glucose, BloodPressure, SkinThickness, Insulin, BMI] for col in fill_cols: median_val df.loc[df[col] ! 0, col].median() # 只用非零值算中位数 df[col] df[col].replace(0, median_val) # 分离特征与标签 X df.drop(Outcome, axis1).values y df[Outcome].values # 划分训练集与测试集固定随机种子保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) # 标准化让每个特征均值为 0方差为 1 scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test)代码逻辑按顺序拆解先读 CSV 并补列名再对脏数据字段逐列用非零中位数填充接着切分训练集和测试集最后做标准化。stratifyy保证训练集和测试集的患病比例一致这对小数据集很重要random_state42固定随机种子让每次跑出来的结果一致便于调参对比。标准化这一步很多人会忽略。MLP 的梯度更新对特征的尺度很敏感如果不标准化血糖值几百的量级会在梯度计算中占据主导模型训练会非常不稳定。注意先 fit 训练集再 transform 测试集防止测试集信息泄露到训练过程。4.2 构建模型与编译损失函数和优化器的选型数据准备好后就可以开始构建模型了。上一章给出了网络结构代码这里把编译参数说透from tensorflow.keras.optimizers import Adam from tensorflow.keras.losses import BinaryCrossentropy from tensorflow.keras.metrics import Accuracy model.compile( optimizerAdam(learning_rate0.001), lossBinaryCrossentropy(), metrics[Accuracy()] )optimizerAdam(learning_rate0.001)是当前二分类任务最稳的默认选择。Adam 自带自适应学习率几乎不需要手动调整如果发现训练震荡优先把学习率调低到 0.0001而不是 0.01。loss用BinaryCrossentropy这是二分类任务的标配损失函数惩罚力度与预测偏差成单调关系梯度信号清晰。4.3 训练验证集划分与训练参数history model.fit( X_train, y_train, validation_split0.2, # 从训练集中再切 20% 做验证 epochs100, batch_size16, verbose1 )validation_split0.2会在训练过程中实时监控模型在未见数据上的表现这是判断过拟合的关键依据。epochs100设大一点没关系后面章节会教用早停来截断batch_size16对 768 条数据来说偏小梯度更新更频繁收敛更平稳缺点是训练时间略长。如果训练时 loss 忽高忽低优先把 batch_size 改成 32 试试。4.4 测试集评估模型到底行不行训练完成后用之前留出的测试集做最终评估loss, acc model.evaluate(X_test, y_test, verbose0) print(f测试集损失{loss:.4f}) print(f测试集准确率{acc:.4f}) # 输出每个样本的患病概率便于后续调阈值 probs model.predict(X_test) print(probs[:5])注意这里的准确率才是真实水平。很多人在验证集上看了个不错的数字就急着写报告其实测试集才是模型真正没见过的数据。这个数据集上MLP 的常见水平是 75%80%如果超过 85%大概率是数据泄露或过拟合要回头检查处理流程。model.predict输出的是概率值可以继续用于绘制 ROC 曲线、调整判定阈值这些是后面章节的内容。5. 避坑专区这个项目里最常见的 5 个坑5.1 坑一零值没处理就训练准确率飘忽不定现象每次训练的结果差异很大有时候验证准确率 82%有时候只有 68%怎么看都不稳定。原因Glucose、BMI 等字段的 0 值被模型当成有效特征。比如一条记录 BMI0这明显是脏数据但模型会认为“BMI0 关联某种模式”学习到一个虚假规律。解决训练前统计零值并填充。# 正确做法填充后再切分、标准化 df[col] df[col].replace(0, df.loc[df[col] ! 0, col].median())血泪经验这个坑几乎每个第一次跑 Pima 数据集的人都会踩。填充逻辑必须写在切分数据之前否则测试集信息会漏进训练集。5.2 坑二训练集准确率 98%验证集只有 75%现象训练过程中训练集 loss 一路降到 0.1准确率逼近 100%但验证集 loss 不降反升。原因过拟合。768 条样本训练一个 16 节点的隐藏层模型有足够容量把训练集“背”下来而不是学规律。解决给模型加正则化同时用早停截断训练。from tensorflow.keras.callbacks import EarlyStopping early_stop EarlyStopping( monitorval_loss, patience10, restore_best_weightsTrue ) history model.fit(X_train, y_train, validation_split0.2, epochs100, batch_size16, verbose1, callbacks[early_stop])monitorval_loss表示监控验证集损失patience10表示连续 10 轮验证集损失不下降就停止restore_best_weightsTrue会在训练结束后回滚到验证集表现最好的那一轮权重。这三个参数组合起来等于给训练过程装了后悔药。5.3 坑三import keras和from tensorflow.keras混用现象照着网上教程写了from keras.models import Sequential运行时报错找不到模块或者模型保存后再加载报错。原因Keras 从 TensorFlow 2.16 开始以独立包形式发布和tf.keras不完全等价混用两个命名空间的模型文件会不兼容。解决统一用tf.keras。# 正确 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 不要这样写 from keras.models import Sequential这个坑隐蔽在环境配置阶段就能避开关键是安装教程后验证导入路径不要为了省事跳过。5.4 坑四单次切分结果波动大换个随机种子准确率差 5%现象random_state设为 0 跑一次准确率 78%设为 42 再跑一次变 74%。原因样本量太小单次切分时测试集的构成对结果影响巨大。解决固定随机种子只是让结果可复现真正要降低波动得用交叉验证后面章节会细说。5.5 坑五只看准确率全预测为 0 也有 65% 的“好成绩”现象报告里写准确率 78%但模型把一半以上的糖尿病患者都漏诊了。原因数据集里非糖尿病占 65%只要全预测为 0准确率就有 65%。二分类任务只看准确率会把模型训练成“保守派”。解决同时看精确率precision、召回率recall和 AUC。from sklearn.metrics import classification_report, roc_auc_score preds (model.predict(X_test) 0.5).astype(int) print(classification_report(y_test, preds, target_names[非糖尿病, 糖尿病])) auc roc_auc_score(y_test, model.predict(X_test)) print(fAUC: {auc:.4f})提示打印classification_report后重点看糖尿病那一行的召回率这才是医疗诊断场景真正关心的指标。如果一个模型把糖尿病患者大量漏诊准确率再高也没有落地价值。6. 再往前走一步交叉验证、早停调参与模型保存6.1 用 StratifiedKFold 拿到可信的真实准确率单次切分的结果不足以支撑结论我用分层 K 折交叉验证来评估模型的真实水平from sklearn.model_selection import StratifiedKFold from sklearn.metrics import roc_auc_score import numpy as np kfold StratifiedKFold(n_splits5, shuffleTrue, random_state42) aucs [] for fold, (train_idx, val_idx) in enumerate(kfold.split(X, y)): X_train_f, X_val_f X[train_idx], X[val_idx] y_train_f, y_val_f y[train_idx], y[val_idx] # 每个折内重新标准化 scaler StandardScaler() X_train_f scaler.fit_transform(X_train_f) X_val_f scaler.transform(X_val_f) model Sequential([ Dense(16, activationrelu, input_shape(8,)), Dropout(0.2), Dense(8, activationrelu), Dense(1, activationsigmoid) ]) model.compile(optimizerAdam(0.001), lossbinary_crossentropy, metrics[accuracy]) model.fit(X_train_f, y_train_f, validation_data(X_val_f, y_val_f), epochs100, batch_size16, verbose0, callbacks[EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue)]) aucs.append(roc_auc_score(y_val_f, model.predict(X_val_f))) print(f5 折 AUC 均值{np.mean(aucs):.4f} ± {np.std(aucs):.4f})代码逻辑把数据切成 5 份每一轮取其中 1 份做验证、4 份训练轮流 5 次。shuffleTrue打乱顺序避免原始数据顺序带来的偏差每一折内部重新 fit 标准化器避免数据泄露。运行后输出的均值才是这个模型在这个数据集上的真实水平单次切分的数字不值得写进报告。6.2 早停与学习率衰减给训练过程装上保险丝早停已经介绍过这里给一套更完整的回调组合from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau callbacks [ EarlyStopping(monitorval_loss, patience15, restore_best_weightsTrue), ReduceLROnPlateau(monitorval_loss, factor0.5, patience5, min_lr1e-6) ]ReduceLROnPlateau的factor0.5表示验证集 loss 连续 5 轮不降时学习率减半min_lr1e-6设一个下限防止减到 0。两者配合的效果是训练前期快速下降后期逐步收窄步长逼近损失曲面的最低点。我习惯固定这套回调适配大部分中小规模数据集省心。6.3 模型保存与加载把成果固化下来训练完成后保存模型报告演示和后续推理都会用到# 保存整个模型结构 权重 优化器状态 model.save(pima_mlp.keras) # 加载模型做推理 from tensorflow.keras.models import load_model loaded_model load_model(pima_mlp.keras) # 新样本预测注意要先做同样标准化 new_sample scaler.transform([[2, 120, 70, 20, 100, 28.5, 0.5, 35]]) prob loaded_model.predict(new_sample) print(f患病风险概率{prob[0][0]:.4f})新版本推荐用.keras后缀格式它比旧的.h5格式兼容性更好。加载模型后对单条新样本做预测时必须用之前训练集上 fit 好的 scaler 做同样的标准化否则输入分布和训练时不匹配预测结果没有参考价值。这套流程我反复用了很多次最大的心得是先把零值处理好、把随机种子固定好再谈模型调优。数据清洗步骤每多一份仔细后面调参就能少折腾两小时。希望这篇笔记能帮你把这个项目一次跑通少走弯路。本文还有配套的精品资源点击获取 
长河君 · 2026/10/2 6:36:07 · 阅读 1.2k Keras多层感知器诊断糖尿病实战：完整流程与避坑指南
简介这是一份面向人工智能与机器学习初学者、数据分析人员的Keras实战资源以印第安人糖尿病数据集为例演示如何用多层感知器MLP完成二分类诊断任务。压缩包共3个文件包含皮马印第安人糖尿病数据集的CSV文件、实现完整训练流程的Python脚本及数据集说明txt文本整体仅11KB轻量便携。已有342人学习了该资源。代码脚本完整覆盖数据预处理缺失值处理、标准化或归一化、Sequential模型搭建输入层、隐藏层及sigmoid输出层、模型编译binary_crossentropy损失、Adam优化器、accuracy指标与训练验证epochs、batch_size参数配置监控损失和准确率并演示如何用测试集评估泛化能力或对新样本进行预测。读者可借此掌握MLP处理表格型医疗数据的基本流程适合希望结合具体案例快速入门Keras与神经网络的开发者学习参考。1. 这个.rar包里装的是什么课程设计最常见的 AI 入门项目你拿到的这份keras人工智能构建多层感知器诊断印第安糖尿病.rar说白了就是人工智能入门阶段最经典的一套组合拳用 Keras 搭一个多层感知器MLP神经网络跑通 Pima Indians Diabetes 数据集训练出一个能判断患者是否患糖尿病的二分类模型。做人工智能大作业、课程设计或者想沿某条人工智能学习路径走通第一个实战项目的人大概率会遇到它。这套东西不复杂一台普通笔记本 CPU 就能在几分钟内跑完训练但“麻雀虽小五脏俱全”。数据预处理、模型搭建、训练调参、效果评估神经网络项目的完整链路都在里面。更关键的是这个数据集的坑比想象中多很多人第一次跑出来准确率虚高换个验证集就崩盘——这是做人工智能项目实战时最容易踩的坑也是这份项目最有价值的地方。下面我按“数据 → 模型 → 训练 → 评估 → 避坑”的顺序把整个流程拆开复现一遍每一步都给出可直接抄走的代码和参数。2. 先搞懂数据和模型为什么 MLP 能接住这个活2.1 Pima 数据集长什么样特征表与零值分布这个数据集出自 1988 年的一项研究记录的是美国亚利桑那州皮马印第安人女性的体检数据。样本量很小只有 768 条记录每条记录包含 8 个特征和 1 个二分类标签是否患糖尿病。特征清单如下特征名含义注意点Pregnancies怀孕次数0 是正常值不能当缺失处理Glucose口服葡萄糖耐量试验 2 小时血浆葡萄糖浓度存在大量 0 值物理上不可能BloodPressure舒张压mmHg存在 0 值物理上不可能SkinThickness三头肌皮褶厚度mm存在 0 值Insulin2 小时血清胰岛素mU/ml超过 30% 的记录为 0BMI体重指数kg/m²存在 0 值DiabetesPedigreeFunction糖尿病家族遗传函数无 0 值Age年龄最小值 21Outcome是否患病0 约占 65%1 约占 35%拿到数据后第一件事不是训练而是先看零值分布。以下代码统计每列的 0 值占比import pandas as pd df pd.read_csv(pima-indians-diabetes.csv, headerNone) df.columns [Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age, Outcome] # 统计除标签外各列的零值数量 zero_counts (df.iloc[:, :-1] 0).sum() print(各特征零值计数) print(zero_counts) print(总样本数, len(df))这段代码只做了一件事把 768 条样本按特征分组数出每列有多少个 0。运行结果会让你直观看到Glucose、BloodPressure、BMI 这些字段的 0 值并不是“缺失”而是测量值不可能为 0 的脏数据。把零值当正常值直接喂给模型后面准确率会忽高忽低这是这个数据集最出名的翻车点。从人工智能应用场景的角度看医疗诊断类项目因为标签明确、效果可量化一直是课程设计和毕业设计的首选方向。但医疗数据恰恰是最容易藏脏数据的地方这也是为什么我坚持让大家先做这一步统计再往下走。2.2 为什么用多层感知器而不是 CNN 或 XGBoost这个任务的数据形态是 8 个特征的表格数据不是图像、不是时序。CNN 擅长提取空间特征RNN 擅长处理序列在这里都发挥不出优势。而 MLP 对这种中小规模表格数据来说是性价比最高的选择——模型结构简单、训练速度快、可解释性也不差。有人会问表格数据用 XGBoost 或随机森林不是更好吗确实在 Kaggle 竞赛里树模型在类似数据集上往往分数更高。但做这个项目不是为了刷分而是为了理解神经网络的前向传播、反向传播、梯度更新这些核心机制。MLP 是这一切的基础跑通一个 MLP后续学 CNN、RNN、Transformer 都会顺畅很多。人工智能学习路径的起点通常就落在 MLP 上。另外这类项目对应的岗位方向也值得提一句。现在企业对人工智能训练师这类角色的要求恰恰是能把数据清洗、模型训练、效果评估这一整套流程跑通而不是只会调用现成接口。自己动手复现一个完整项目比看十篇教程都有用。2.3 网络结构设计层数、节点数与激活函数多层感知器的“多层”体现在隐藏层上。针对 8 个特征、768 条样本的规模我一般会这样设计结构from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout model Sequential([ # 输入层 8 个节点对应 8 个特征 Dense(16, activationrelu, input_shape(8,), namehidden1), Dropout(0.2), Dense(8, activationrelu, namehidden2), # 输出层 1 个节点sigmoid 输出患病概率 Dense(1, activationsigmoid, nameoutput) ])第一层隐藏层设 16 个节点作用是学习特征之间的组合关系比如血糖和 BMI 同时偏高是否更危险。第二层设 8 个节点进一步抽象特征。Dropout 放在第一层后面随机丢弃 20% 的神经元是为了防止模型把训练集中的噪声也“背”下来。激活函数选 ReLU 而不是 sigmoid因为 ReLU 能缓解梯度消失问题训练更快输出层用 sigmoid 则是为了把输出压缩到 0~1 之间解释为患病概率。节点数不是越多越好768 条样本配 128 个节点的隐藏层基本必过拟合。16 → 8 这个规模对这个数据集来说是经验上比较稳的配置。提示隐藏层节点数的选择先按“输入维度 × 2 → 输入维度 ÷ 2”的经验公式起步再根据验证集表现上下调整不要一上来就堆大网络。3. 搭环境Keras 安装与版本匹配的实操细节3.1 用 Anaconda 建独立环境避免污染全局 Pythonkeras 安装教程网上很多但最稳妥的还是用 Anaconda 建一个独立虚拟环境。这样即使你把 TensorFlow 装坏了系统原有的 Python 环境也不会受牵连。我通常这样操作conda create -n keras_mlp python3.9 -y conda activate keras_mlp pip install tensorflow-cpu2.10.0 pandas numpy scikit-learn matplotlib创建虚拟环境并激活后直接装 TensorFlow 2.10 的 CPU 版本同时把常用的数据处理库一起装上。选 CPU 版的原因很简单这个数据集用 CPU 训练也就几分钟没必要折腾 GPU。而且 TensorFlow 2.10 是最后一个在 Windows 上原生支持 GPU 的版本后面版本在 Windows 上跑 GPU 需要 WSL2对新手来说配置成本高、收益小。3.2 验证安装确认 Keras 的正确导入路径装好之后别急着写业务代码先确认框架能不能正常导入。这一步能筛掉一半的后续报错python -c import tensorflow as tf; print(tf.__version__); print(tf.keras.__version__)如果输出两个版本号说明安装成功。注意这里导入的是tf.keras而不是独立的keras。从 TensorFlow 2.x 开始官方推荐统一走tf.keras路径。网上很多老教程还在用from keras.models import Sequential这在老版本里能跑但换到新版环境会因为 Keras 3 与 TensorFlow 的兼容问题报错。统一用tf.keras能少踩很多坑。3.3 版本锁定为什么强调精确到小版本我见过太多人在这上面翻车装个最新版 TensorFlow然后发现某个 API 已经变了或者和老代码不兼容。这个项目最稳的版本组合是Python 3.9 TensorFlow 2.10 NumPy 1.24 pandas 2.0。尤其注意 NumPy 不要装太高版本TensorFlow 2.10 对 NumPy 2.x 支持不完整可能出现奇怪的 dtype 报错。如果你用的是 macOS 或 LinuxTensorFlow 2.10 同样适用命令完全一致。装完后建议顺手验证一下 CPU 是否被正确识别import tensorflow as tf print(tf.config.list_physical_devices(CPU))看到 CPU 设备列表输出说明框架能正常调用计算资源接着就可以进入数据预处理了。环境搭建是整个项目里最依赖“玄学”的环节但只要严格按版本组合来装能砍掉 80% 的莫名报错。4. 核心代码复现从原始 CSV 到训练完成4.1 数据加载与零值填充用中位数替换脏数据Pima 数据集的零值不能直接删因为本来就只有 768 条再删就没得训练了。正确做法是分字段处理Pregnancies 的 0 是正常值不能动Glucose、BloodPressure、SkinThickness、Insulin、BMI 的 0 是脏数据用非零值的中位数填充。为什么用中位数而不是均值因为胰岛素、BMI 这些字段的分布是偏态的均值会被极端值拉偏中位数更稳健。import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler df pd.read_csv(pima-indians-diabetes.csv, headerNone) df.columns [Pregnancies, Glucose, BloodPressure, SkinThickness, Insulin, BMI, DiabetesPedigreeFunction, Age, Outcome] # 需要填充的字段物理值不可能为 0 fill_cols [Glucose, BloodPressure, SkinThickness, Insulin, BMI] for col in fill_cols: median_val df.loc[df[col] ! 0, col].median() # 只用非零值算中位数 df[col] df[col].replace(0, median_val) # 分离特征与标签 X df.drop(Outcome, axis1).values y df[Outcome].values # 划分训练集与测试集固定随机种子保证可复现 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) # 标准化让每个特征均值为 0方差为 1 scaler StandardScaler() X_train scaler.fit_transform(X_train) X_test scaler.transform(X_test)代码逻辑按顺序拆解先读 CSV 并补列名再对脏数据字段逐列用非零中位数填充接着切分训练集和测试集最后做标准化。stratifyy保证训练集和测试集的患病比例一致这对小数据集很重要random_state42固定随机种子让每次跑出来的结果一致便于调参对比。标准化这一步很多人会忽略。MLP 的梯度更新对特征的尺度很敏感如果不标准化血糖值几百的量级会在梯度计算中占据主导模型训练会非常不稳定。注意先 fit 训练集再 transform 测试集防止测试集信息泄露到训练过程。4.2 构建模型与编译损失函数和优化器的选型数据准备好后就可以开始构建模型了。上一章给出了网络结构代码这里把编译参数说透from tensorflow.keras.optimizers import Adam from tensorflow.keras.losses import BinaryCrossentropy from tensorflow.keras.metrics import Accuracy model.compile( optimizerAdam(learning_rate0.001), lossBinaryCrossentropy(), metrics[Accuracy()] )optimizerAdam(learning_rate0.001)是当前二分类任务最稳的默认选择。Adam 自带自适应学习率几乎不需要手动调整如果发现训练震荡优先把学习率调低到 0.0001而不是 0.01。loss用BinaryCrossentropy这是二分类任务的标配损失函数惩罚力度与预测偏差成单调关系梯度信号清晰。4.3 训练验证集划分与训练参数history model.fit( X_train, y_train, validation_split0.2, # 从训练集中再切 20% 做验证 epochs100, batch_size16, verbose1 )validation_split0.2会在训练过程中实时监控模型在未见数据上的表现这是判断过拟合的关键依据。epochs100设大一点没关系后面章节会教用早停来截断batch_size16对 768 条数据来说偏小梯度更新更频繁收敛更平稳缺点是训练时间略长。如果训练时 loss 忽高忽低优先把 batch_size 改成 32 试试。4.4 测试集评估模型到底行不行训练完成后用之前留出的测试集做最终评估loss, acc model.evaluate(X_test, y_test, verbose0) print(f测试集损失{loss:.4f}) print(f测试集准确率{acc:.4f}) # 输出每个样本的患病概率便于后续调阈值 probs model.predict(X_test) print(probs[:5])注意这里的准确率才是真实水平。很多人在验证集上看了个不错的数字就急着写报告其实测试集才是模型真正没见过的数据。这个数据集上MLP 的常见水平是 75%80%如果超过 85%大概率是数据泄露或过拟合要回头检查处理流程。model.predict输出的是概率值可以继续用于绘制 ROC 曲线、调整判定阈值这些是后面章节的内容。5. 避坑专区这个项目里最常见的 5 个坑5.1 坑一零值没处理就训练准确率飘忽不定现象每次训练的结果差异很大有时候验证准确率 82%有时候只有 68%怎么看都不稳定。原因Glucose、BMI 等字段的 0 值被模型当成有效特征。比如一条记录 BMI0这明显是脏数据但模型会认为“BMI0 关联某种模式”学习到一个虚假规律。解决训练前统计零值并填充。# 正确做法填充后再切分、标准化 df[col] df[col].replace(0, df.loc[df[col] ! 0, col].median())血泪经验这个坑几乎每个第一次跑 Pima 数据集的人都会踩。填充逻辑必须写在切分数据之前否则测试集信息会漏进训练集。5.2 坑二训练集准确率 98%验证集只有 75%现象训练过程中训练集 loss 一路降到 0.1准确率逼近 100%但验证集 loss 不降反升。原因过拟合。768 条样本训练一个 16 节点的隐藏层模型有足够容量把训练集“背”下来而不是学规律。解决给模型加正则化同时用早停截断训练。from tensorflow.keras.callbacks import EarlyStopping early_stop EarlyStopping( monitorval_loss, patience10, restore_best_weightsTrue ) history model.fit(X_train, y_train, validation_split0.2, epochs100, batch_size16, verbose1, callbacks[early_stop])monitorval_loss表示监控验证集损失patience10表示连续 10 轮验证集损失不下降就停止restore_best_weightsTrue会在训练结束后回滚到验证集表现最好的那一轮权重。这三个参数组合起来等于给训练过程装了后悔药。5.3 坑三import keras和from tensorflow.keras混用现象照着网上教程写了from keras.models import Sequential运行时报错找不到模块或者模型保存后再加载报错。原因Keras 从 TensorFlow 2.16 开始以独立包形式发布和tf.keras不完全等价混用两个命名空间的模型文件会不兼容。解决统一用tf.keras。# 正确 from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 不要这样写 from keras.models import Sequential这个坑隐蔽在环境配置阶段就能避开关键是安装教程后验证导入路径不要为了省事跳过。5.4 坑四单次切分结果波动大换个随机种子准确率差 5%现象random_state设为 0 跑一次准确率 78%设为 42 再跑一次变 74%。原因样本量太小单次切分时测试集的构成对结果影响巨大。解决固定随机种子只是让结果可复现真正要降低波动得用交叉验证后面章节会细说。5.5 坑五只看准确率全预测为 0 也有 65% 的“好成绩”现象报告里写准确率 78%但模型把一半以上的糖尿病患者都漏诊了。原因数据集里非糖尿病占 65%只要全预测为 0准确率就有 65%。二分类任务只看准确率会把模型训练成“保守派”。解决同时看精确率precision、召回率recall和 AUC。from sklearn.metrics import classification_report, roc_auc_score preds (model.predict(X_test) 0.5).astype(int) print(classification_report(y_test, preds, target_names[非糖尿病, 糖尿病])) auc roc_auc_score(y_test, model.predict(X_test)) print(fAUC: {auc:.4f})提示打印classification_report后重点看糖尿病那一行的召回率这才是医疗诊断场景真正关心的指标。如果一个模型把糖尿病患者大量漏诊准确率再高也没有落地价值。6. 再往前走一步交叉验证、早停调参与模型保存6.1 用 StratifiedKFold 拿到可信的真实准确率单次切分的结果不足以支撑结论我用分层 K 折交叉验证来评估模型的真实水平from sklearn.model_selection import StratifiedKFold from sklearn.metrics import roc_auc_score import numpy as np kfold StratifiedKFold(n_splits5, shuffleTrue, random_state42) aucs [] for fold, (train_idx, val_idx) in enumerate(kfold.split(X, y)): X_train_f, X_val_f X[train_idx], X[val_idx] y_train_f, y_val_f y[train_idx], y[val_idx] # 每个折内重新标准化 scaler StandardScaler() X_train_f scaler.fit_transform(X_train_f) X_val_f scaler.transform(X_val_f) model Sequential([ Dense(16, activationrelu, input_shape(8,)), Dropout(0.2), Dense(8, activationrelu), Dense(1, activationsigmoid) ]) model.compile(optimizerAdam(0.001), lossbinary_crossentropy, metrics[accuracy]) model.fit(X_train_f, y_train_f, validation_data(X_val_f, y_val_f), epochs100, batch_size16, verbose0, callbacks[EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue)]) aucs.append(roc_auc_score(y_val_f, model.predict(X_val_f))) print(f5 折 AUC 均值{np.mean(aucs):.4f} ± {np.std(aucs):.4f})代码逻辑把数据切成 5 份每一轮取其中 1 份做验证、4 份训练轮流 5 次。shuffleTrue打乱顺序避免原始数据顺序带来的偏差每一折内部重新 fit 标准化器避免数据泄露。运行后输出的均值才是这个模型在这个数据集上的真实水平单次切分的数字不值得写进报告。6.2 早停与学习率衰减给训练过程装上保险丝早停已经介绍过这里给一套更完整的回调组合from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau callbacks [ EarlyStopping(monitorval_loss, patience15, restore_best_weightsTrue), ReduceLROnPlateau(monitorval_loss, factor0.5, patience5, min_lr1e-6) ]ReduceLROnPlateau的factor0.5表示验证集 loss 连续 5 轮不降时学习率减半min_lr1e-6设一个下限防止减到 0。两者配合的效果是训练前期快速下降后期逐步收窄步长逼近损失曲面的最低点。我习惯固定这套回调适配大部分中小规模数据集省心。6.3 模型保存与加载把成果固化下来训练完成后保存模型报告演示和后续推理都会用到# 保存整个模型结构 权重 优化器状态 model.save(pima_mlp.keras) # 加载模型做推理 from tensorflow.keras.models import load_model loaded_model load_model(pima_mlp.keras) # 新样本预测注意要先做同样标准化 new_sample scaler.transform([[2, 120, 70, 20, 100, 28.5, 0.5, 35]]) prob loaded_model.predict(new_sample) print(f患病风险概率{prob[0][0]:.4f})新版本推荐用.keras后缀格式它比旧的.h5格式兼容性更好。加载模型后对单条新样本做预测时必须用之前训练集上 fit 好的 scaler 做同样的标准化否则输入分布和训练时不匹配预测结果没有参考价值。这套流程我反复用了很多次最大的心得是先把零值处理好、把随机种子固定好再谈模型调优。数据清洗步骤每多一份仔细后面调参就能少折腾两小时。希望这篇笔记能帮你把这个项目一次跑通少走弯路。本文还有配套的精品资源点击获取