企业官网建设流程全解析

简介：这份材料面向南京邮电大学通达学院《机器学习》课程期末大作业需求，适合正在准备医疗保健智能系统设计报告的高校学生参考。内容以膀胱癌诊断为主线，覆盖数据收集、数据处理与实验评估三个环节，讨论影像学、尿细胞学及预后分析中的特征提取、模型选择、交叉验证与准确率、召回率、F1分数等指标设计，并给出系统示意图和不少于1500字报告框架，可帮助读者梳理选题思路、搭建章节结构、完善方案论证，也能为医疗数据预处理和模型比较提供可复用思路。资源包共1个docx文档，大小约29KB，便于直接查阅和整理。已有1024人学习下载，适合用于对照课程要求、补充案例与查漏补缺，对系统架构图绘制、实验流程安排和结论表述也有参考意义。

1. 从一份 1500 字的系统设计报告说起：医疗保健方向的机器学习作业怎么搭骨架

课程设计截止前一周，真正卡住进度的往往不是模型跑不通，而是那份要求“不少于 1500 字、必须包含数据收集、数据处理、实验评估三步”的系统设计报告。这份机器学习课程期末大作业资源，给的就是这类报告的完整范本：主线是一份面向医疗保健的智能系统设计，场景落在膀胱癌的影像学诊断、尿细胞学检查与术后预后预测上，五个小节各自按“数据来源—预处理—模型—指标”的顺序展开；附带的第二份材料是一套校园应急报警系统的设计稿，用来对照同一套需求分析骨架在非医疗场景里怎么套。它适合两类人：一类是赶课程设计、需要现成结构照着填的；另一类是想把“文献综述 + 系统设计”拼成一份能自圆其说的技术文档的。

2. 拆包：一份课程作业文档里到底装了几样东西

2.1 目录实测：三块材料是怎么拼在一起的

打开文档第一眼就能看出来，这不是一次写成的稿子，而是三块内容拼合的结果。页眉统一挂着课程名与学期，说明是从同一个模板导出的，但正文各块的语气、结构、深度完全不同。第一块是机器学习在膀胱癌诊疗中的研究综述，从 1.0 到 1.5 共六节，占了全文一半以上篇幅；第二块是校园紧急事件报警系统的设计，从背景、系统设计与分析到实验设计，是一套典型的物联网安防方案；第三块是任务要求原文、结束语和 15 条参考文献。

从工程视角看，这份材料的价值不在于代码，而在于它把“一个机器学习系统该说清楚哪些事”摆出来了：数据从哪来、特征怎么提、模型选什么、指标怎么定、局限在哪。这三块内容拼在一起也暴露了一个常见问题——拼贴痕迹重，后面第 5 章会专门讲这个坑怎么自查。

2.2 综述骨架：五个平行论证层怎么复用

第一章的结构非常规整，每一节都遵循同一个模板：先说临床痛点，再说数据规模，然后说用了什么模型，最后落到一个百分比指标上。1.1 讲影像学，切入点是膀胱镜属于有创检查、患者不适，而 CT/MRI 无创但受噪声和低信噪比干扰，容易误诊漏诊；接着给出两组数据，一组是 40 名患者的 160 张盆腔 MRI，用图像增强、边界去除、特征提取加多层感知机，把诊断准确率做到 95%；另一组是 84 例 CT 影像随机分成 42/42 两组，训练组提取结构和形貌特征建模，两组互换做交叉验证，把膀胱癌分到＜T2 和≥T2 两类的准确度做到 97%。

1.2 讲尿脱落细胞学，痛点换成“结果准不准取决于检验师水平”。这一段的数据组织方式值得单独拎出来看：115 例尿液细胞标本，59 例病理确诊恶性、56 例良性，按 79/18/18 划成训练、验证、测试三组，ANN 在验证组 100%、测试组 94.4%。另一条线是基因表达微阵列，56000 个探针做统计筛选，得到 319 个与膀胱癌发生发展相关的基因，再有监督学习加交叉验证筛出 14 个基因构建分类器，准确率 76%。

1.3 和 1.4 转向预后。前者用 ANN 预测卡介苗灌注后的复发，输入是年龄、性别、肿瘤分期分级、原位癌、肿瘤大小、多发性、吸烟、CD34 表达，输出是复发与否，70% 样本训练、其余验证，反复切分重训直到分类错误最小，准确率 79%。后者更长，一路讲到分子特征：HRAS 和 FGFR3 突变、p16INK4a 纯合性缺失、染色体 9p 丢失，112 例癌组织全基因组测序后用遗传规划算法建模，21 个预测复发的基因，5 基因组合在训练/测试组的敏感性 77%/69%、特异性 85%/62%，3 基因组合是 80.4%/71% 和 90%/67%，作者据此判断三基因优于五基因。还有两组对照：117 例临床数据跑七种算法，正则化的极限学习机以最快速度拿到 0.8 的平均预测精度；2111 例根治性手术患者用 ANN 预测五年生存率，准确率 70% 以上。

这套“痛点—数据规模—方法—数字”的四段式，是综述类作业最省力也最不容易被挑刺的写法。真正要学的是它的克制：每一节只讲一个临床问题、一组数据、一类模型，不贪多。写系统设计报告时，把同样的四段式套到自己的方案上，就是“业务痛点—数据来源—处理流程—评估口径”，一字不用改结构。

1.5 那节把局限列了四条：数据量少容易过拟合、特征与临床医生理解的高级语义差距大、大规模训练耗时且吃硬件、预测算法本身还不完善。这四条不是客套话，第 4 章会把它们逐条翻译成代码里的硬约束。

2.3 第二份材料的可迁移点：非医疗场景的系统设计怎么写

第二章那套校园紧急事件报警系统，表面上跟机器学习没关系，但它提供了一个“系统设计报告”的另一种骨架，而且是更工程化的那种。它的论证顺序是：先摆背景和强制性要求，再拆子系统，最后落到中心平台。

一键报警这一节讲布点：门卫室、校长办公室、宿舍、操场、食堂、各楼层楼梯口装紧急按钮，按下后无线信号传到报警主机，主机再通过 GPRS/IP 上传到当地接警中心，中心同时显示报警单位名称和位置。防盗报警这一节讲补充手段：财务室、校长办公室、教学室装红外探头和门磁开关，主机夜间布防，一旦触发立即上传。这里还夹了一段传输模式的讨论，引用火灾报警系统设计规范里的时延要求——火警延时不大于 10s、故障报警延时不大于 100s，并说明受探测器和电池体积限制，目前以单发模式为主。2.3 那节讲接警中心的形态：服务器加管理软件，可以搭在公安侧、安保运营侧或学校保安室，警情上传后弹出视频、地址、报警单位，还能远程喊话。

把这段抽象一下，就是“布点—传输—中心—时延”四段式。迁移到医疗系统上几乎一一对应：数据源布点对应多源数据采集（影像、检验、病历），传输对应数据接入与清洗管道，中心对应建模与推理服务，时延对应从采集到出结果的响应时间要求。写系统设计报告时，这一层“非功能性要求”最容易被忽略，也最容易被老师追问，提前写进去能省不少事。

3. 系统设计三步走：数据收集、数据处理、实验评估怎么写成可执行的东西

3.1 数据收集：先把 schema 定死，别急着建模

任务要求里的第一步是数据收集，很多人直接写成“收集患者数据若干”，这在评审时基本等于没写。合格的做法是把数据表结构先定下来，哪怕手上只有几十条样本。核心原则有两条：一行代表一个患者，不要一行代表一张切片；影像、检验、随访各建一张表，用患者编号关联。

# 患者级主表：一行一个患者，是划分数据集时的分组依据 patient_schema = { "patient_id": "str", # 主键，脱敏后的编号，不能用姓名或住院号 "age": "int", "sex": "category", # M / F "smoking": "category", # 有 / 无 / 已戒 "tumor_stage": "category", # Ta / T1 / T2 / T3 / T4 "tumor_grade": "category", # 低级别 / 高级别 "cis": "bool", # 原位癌 "tumor_size": "float", # 单位 cm "multifocal": "bool", # 是否多发性 "cd34": "float", # 免疫组化表达量 "recurrence": "int", # 标签：0 未复发 / 1 复发 } # 影像表：一个患者对应多张切片，靠 patient_id 回连 image_schema = { "image_id": "str", "patient_id": "str", # 外键 "modality": "category", # MRI / CT "slice_index": "int", "roi_path": "str", # 勾画后的感兴趣区域文件路径 "label": "int", }

上面这组字段不是我凭空想的，它基本对应文档 1.3 节里 ANN 预后模型的输入清单：年龄、性别、肿瘤分期和分级、原位癌、肿瘤大小、多发性、吸烟、CD34 表达，输出是复发情况。照着自己场景替换字段名即可，结构不用动。

分表的关键理由在于划分数据集。文档里那组 MRI 数据是 40 名患者、160 张图像，平均一人 4 张。如果按图像行建表再随机划分，同一个患者的不同层面会同时出现在训练集和测试集里，模型只要记住这个患者的纹理特征就能在测试集上拿高分，这就是后面要说的数据泄漏。按患者建主表，划分时以 patient_id 为单位分组，能从根上堵住这个口子。另外，脱敏这件事在报告里必须写一句：姓名、住院号、身份证号一律替换为自增编号，影像文件里的 DICOM 头信息也要清。

3.2 数据处理：把预处理塞进 Pipeline

第二步数据处理，报告里要写清两件事：提取了哪些特征、用了什么模型。落到代码上，最省心也最不容易出错的做法是把所有预处理步骤塞进一个 Pipeline，让 fit 只发生在训练折上。

from sklearn.pipeline import Pipeline from sklearn.compose import ColumnTransformer from sklearn.impute import SimpleImputer from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.feature_selection import SelectKBest, f_classif from sklearn.ensemble import RandomForestClassifier num_cols = ["age", "tumor_size", "cd34"] cat_cols = ["sex", "smoking", "tumor_stage", "tumor_grade"] bool_cols = ["cis", "multifocal"] pre = ColumnTransformer([ # 数值列：中位数填补 + 标准化 ("num", Pipeline([ ("imp", SimpleImputer(strategy="median")), ("sc", StandardScaler()), ]), num_cols), # 类别列：众数填补 + 独热编码，未见过的取值不报错 ("cat", Pipeline([ ("imp", SimpleImputer(strategy="most_frequent")), ("oh", OneHotEncoder(handle_unknown="ignore")), ]), cat_cols), # 布尔列原样透传 ("bool", "passthrough", bool_cols), ]) clf = Pipeline([ ("pre", pre), ("select", SelectKBest(f_classif, k=10)), # 小样本下限制特征数 ("model", RandomForestClassifier( n_estimators=300, max_depth=4, # 树深压住，防止记住个体 class_weight="balanced", # 复发/未复发比例通常不平衡 random_state=42)), ])

逐段说下参数为什么这么设。SimpleImputer(strategy="median")用于数值列，是因为临床指标常有偏态和离群值，均值会被拉偏；类别列用most_frequent，吸烟、分期这类字段在手工录入的数据里缺失很常见，用众数补比直接丢样本划算。OneHotEncoder(handle_unknown="ignore")是个保命参数，测试集里如果出现训练时没见过的分期取值，不加这个参数会直接抛异常，加上之后该列编码为全零，模型照常输出。

SelectKBest(f_classif, k=10)的 k 不是随手写的。样本量只有一两百时，特征数最好控制在样本量的十分之一以内，否则单变量检验的统计量本身就不靠谱。文档里那条 56000 探针筛到 319 个、再筛到 14 个基因的路径，本质上就是同一件事的三级放大版：先按方差过滤掉几乎不变的探针，再用单变量检验筛相关性，最后用带正则的模型或递归消除收敛到十几个。

随机森林的max_depth=4也是被样本量逼出来的。不设深度上限，树会把每一个患者长成一个叶子，训练集准确率 100%、测试集惨不忍睹。class_weight="balanced"解决的是阳性样本稀少的问题，医学场景里复发或恶性的比例通常远低于阴性。

3.3 实验评估：分层、分组、指标成对出现

第三步实验评估，任务要求里明确说了“不包含实验结果”，只写设计。但设计得写到能照着跑的程度，否则评审一句“你怎么保证不是过拟合”就问住了。评估设计的三个要素是划分策略、指标口径和重复次数。

from sklearn.model_selection import StratifiedGroupKFold, cross_validate from sklearn.metrics import make_scorer, confusion_matrix def specificity(y_true, y_pred): # 特异度：阴性样本中被正确判为阴性的比例 tn, fp, fn, tp = confusion_matrix(y_true, y_pred, labels=[0, 1]).ravel() return tn / (tn + fp) scoring = { "accuracy": "accuracy", "sensitivity": "recall", # 阳性召回即敏感度 "specificity": make_scorer(specificity), "auc": "roc_auc", } cv = StratifiedGroupKFold(n_splits=5, shuffle=True, random_state=42) # groups 传 patient_id，保证同一个患者的所有切片落在同一折 scores = cross_validate(clf, X, y, groups=patient_id, cv=cv, scoring=scoring, return_train_score=True)

StratifiedGroupKFold同时做两件事：按 groups 分组，保证同一患者不跨折；按标签分层，保证每折里阳性比例接近。较新版本的 scikit-learn 直接提供这个类，老版本没有的话用GroupKFold加手写分层也能量出来，只是折间比例会有点抖。

指标这块有讲究。文档里那些 95%、97%、94.4% 全是准确率，但在阳性率只有 20% 的数据上，一个全判阴性的模型也能拿 80% 准确率。医学场景真正该优先看的是敏感度，漏诊的代价远大于误诊，所以指标至少要成对报告：敏感度 + 特异度，或者 AUC + PR-AUC。写报告时还要把“阳性是哪一类”写死，复发算阳性还是恶性算阳性，不写清楚，读者看敏感度 71% 根本不知道在说什么。

return_train_score=True是为了看训练集和验证集的差距，差 20 个点以上基本可以判定过拟合，回去压特征数或加正则。最后，评估设计里必须写明重复次数和随机种子，交叉验证只跑一次的结果波动可能有好几个百分点，报告里写“5 折交叉验证重复 10 次，取均值±标准差”比写一个孤零零的数字可信得多。

4. 选型与特征：膀胱癌场景下模型怎么挑、特征表怎么画

4.1 四类模型对照：从逻辑回归到 ANN 的取舍

文档里反复出现的是 ANN，因为它出自文献综述，而那些研究大多样本量在几百例以上。自己动手做课程设计时，样本量通常只有几十到一两百，直接照搬 ANN 大概率翻车。下面这张表是我在实际小样本医学数据上反复验证过的取舍顺序。

选型建议按这个顺序试：先上带正则的逻辑回归拿到基线，再上随机森林看非线性有没有收益，两者差距不明显就停在逻辑回归，因为报告里好解释。文档 1.5 节自己也承认 ANN 存在过拟合和超参数设置难的问题，SVM 的核函数机制和惩罚因子能缓解过拟合但高维下表现力受限——这两句几乎是现成的选型论据，写报告时可以直接引。

from sklearn.linear_model import LogisticRegression baseline = Pipeline([ ("pre", pre), ("model", LogisticRegression( penalty="l2", C=0.1, # 越小正则越强，小样本从 0.1 起步 class_weight="balanced", max_iter=1000, solver="liblinear")), ])

C是正则强度的倒数，样本量越小越要往小调；solver="liblinear"在几百样本的规模上比默认的 lbfgs 更省事，L1 正则也只支持这个求解器。跑完之后看系数，如果“吸烟”的系数方向是负的、跟临床常识相反，多半是共线性或者编码出了问题，这时候别急着换模型，先查数据。

4.2 特征表设计：影像组学、尿细胞形态、基因表达三路怎么拼

系统设计报告里最有说服力的部分，是那张特征表。文档实际覆盖了三路数据，各自的提取方式完全不同。

这张表直接对应文档里的论证：1.1 用的是影像特征，1.2 用的是细胞形态计量学数据加基因表达微阵列，1.3、1.4 用的是临床变量加分子特征。做自己的设计时，从这四组里挑两组组合就够了，三路全上在样本量不足时纯属自找麻烦。

维度这块要特别注意。影像组学动辄几百维，基因表达原始维度上万，直接拼在一起喂给模型，特征数轻松超过样本数几十倍。文档里那套“56000 → 319 → 14”的漏斗就是标准解法，代码里对应三步：VarianceThreshold去掉近似常量列，SelectKBest做单变量粗筛，RFE或 L1 正则做精筛。每一步都要在训练折内完成，不能在全量数据上先筛完再划分，这是第 5 章要讲的第二个泄漏点。

4.3 小样本的约束：把“局限性”写成代码里的硬规则

文档 1.5 节列的四条局限，翻译成工程约束其实非常具体，而且每一条都能落到代码上。

第一条“数据量少容易过拟合”，落地就是：特征数 ≤ 样本量的十分之一；交叉验证至少 5 折；训练集和验证集指标差距超过 15 个点就回去砍特征。第二条“特征与临床医生理解的高级语义差距大”，落地就是：每个进入最终模型的特征，都要能说清它对应哪个临床指标，说不清的就别放进去，或者用 SHAP 值画一张特征贡献图放进报告。第三条“训练耗时长、吃硬件”，落地就是：先在 10% 数据上跑通全流程再全量跑，树模型的n_jobs设成核数减一，别让训练把机器占死。第四条“算法不完善”，落地就是：至少对比两个模型，把差距和原因写进报告，比只报一个 95% 有说服力得多。

小样本还有个隐形约束是随机性。同一个数据集换个种子，AUC 可能从 0.78 跳到 0.85，报告里只写一个数字等于自欺欺人。稳妥做法是固定random_state，重复 10 次不同种子，报均值和标准差；如果标准差超过 0.05，说明样本量根本撑不起这个结论，得在报告里如实写出来。

5. 避坑与排查：这份文档里踩过的 5 个坑

5.1 收尾段和主题对不上

现象：全文讲膀胱癌的机器学习研究，结束语第一句却是“机器学习算法应用于农作物产量预测时，不可避免地会受到算法的限制”。原因很明显，收尾段是从另一份材料里粘过来的，改稿时只换了前面的正文，忘了换尾巴。解决：交稿前专门做一次首尾一致性检查，把摘要、第一章开头、结束语三段的主题词各提一遍，对不上就重写。这类问题在拼合型文档里出现概率极高，检查成本却只有五分钟。

5.2 参考文献和正文论点没有对应关系

现象：15 条参考文献里，多条标题带有“同时测定”字样，研究对象是大气中的自由基、土壤中的抗生素、水中的细菌，跟膀胱癌影像诊断、尿细胞学没有关系；正文里用方括号标注的引用编号，与文末列表的顺序也对不齐。原因是从别的综述里整段搬运文献列表，没有逐条核对。解决：建一张“论点—文献”映射表，每个需要引用的论断至少挂一条能核查的来源，编号用文献管理工具自动生成，不要手敲。

5.3 指标只写百分比不写样本量

现象：报告里到处是 95%、97%、94.4%、79%，看着漂亮，但读者无法判断可信度。往前翻才发现，95% 背后是 40 名患者的 160 张 MRI，94.4% 背后是 18 例测试样本，只错了一例。原因是在转述文献时只抄了结论数字，丢了实验规模。解决：所有指标后面强制跟括号，写清样本量、划分方式、折数，例如“准确率 94.4%（测试集 n=18，单次留出）”。这一条对写作者是负担，对读者是救命。

5.4 划分数据集时没按患者分组

现象：模型在测试集上准确率 0.96，换一批数据重跑掉到 0.6 左右，怎么调参都上不去。原因是一个患者对应多张切片或多条随访记录，随机划分后同一患者的数据同时进了训练集和测试集，模型学到的是患者个体的纹理或编号特征，而不是疾病规律。解决：划分时以 patient_id 为分组单位，用GroupKFold或StratifiedGroupKFold；数据表设计阶段就把患者主表和明细表分开，别让明细行独立成样本。

5.5 归一化和特征筛选放在了划分之前

现象：交叉验证每一折的分数都高得离谱，而且折与折之间几乎没波动。原因是在全量数据上先做了StandardScaler().fit_transform()和SelectKBest().fit_transform()，测试折的均值方差信息已经提前泄漏进训练过程。解决：所有带 fit 的步骤都塞进 Pipeline，交给cross_validate在每一折内部独立 fit；手动写循环时，牢记“fit 只看训练折，transform 才碰测试折”。这条坑我见过太多次，表现隐蔽，分数越漂亮越要警惕。

6. 二次开发：把课程文档改造成能一键复现的实验工程

这份材料的原始形态是 Word 文档，拿来做二次开发，第一步不是改内容，而是把文档里的表格和数字拆成可执行的工程结构。我一般按下面这个骨架重排：

project/ ├── data/ │ ├── raw/ # 原始导出，只读，永不覆盖 │ ├── interim/ # 清洗中间件，可随时删掉重跑 │ └── processed/ # 建模用的宽表，一行一患者 ├── src/ │ ├── schema.py # 字段定义，对应 3.1 节的两张表 │ ├── features.py # 预处理与特征工程 │ ├── train.py # 训练与交叉验证 │ └── evaluate.py # 指标计算与结果落盘 ├── reports/ │ ├── figures/ # 示意图与特征重要性图 │ └── metrics.csv # 报告里每一张表的唯一数据源 └── Makefile # make all 一键重跑

关键改动是把“报告里的数字”全部改成“从 metrics.csv 读出来的数字”。train.py跑完往metrics.csv追加一行，包含模型名、特征数、折数、种子、敏感度、特异度、AUC 的均值和标准差；写报告时用脚本读这张表生成 Markdown 表格，贴进文档。这样做的好处是，任何人改一个超参数重跑，报告里的表格自动跟着变，不会出现代码改了、文档还停留在旧数字的尴尬。

验证方法有三条，建议每次都走一遍。第一，同一种子跑两次，metrics.csv里两行指标必须完全一致，不一致说明中间有未固定的随机源，比如train_test_split没传random_state，或者 Pandas 的sample随机抽了行。第二，把分组划分换成随机划分再跑一次，如果指标大幅上涨，说明数据泄漏确实存在，这恰恰证明了分组划分的必要性，这个对比本身就能写进报告当成一个发现。第三，把特征数从 k=10 调到 k=50 再跑，画一条指标随特征数变化的曲线，过拟合的拐点会非常直观地暴露出来。

这份文档最值得带走的东西，其实是 1.5 节那四条局限的清醒程度——写作者知道自己在什么条件下结论成立、在什么条件下不成立。我后来每次交任何带数字的报告，都强制自己先回答三个问题：这个数字是在多少样本上算出来的、划分方式是什么、换一批数据还能不能成立。回答不上来就把数字删掉，宁可少写一个百分比，也不留一个经不起追问的结论。希望帮到你。

本文还有配套的精品资源，点击获取