疾病診斷在醫學領域中是一項非常重要的任務，正確的診斷能夠有效幫助患者及早接受治療，改善預後，並避免不必要的風險。然而，疾病診斷通常需要依賴大量且複雜的數據分析，例如病患的檢測數值、影像和臨床數據等。面對如此大量的資料，人工診斷可能會因主觀判斷或疲勞而存在不確定性，這便為機器學習和人工智慧提供了一個巨大的應用場景。
機器學習技術能夠透過算法與數據，學習疾病的複雜特徵，從而快速且精確地做出診斷判斷。在疾病分類任務中，我們的目標通常是「二元分類」(如惡性腫瘤 vs 良性腫瘤)，或是「多類分類」(如不同疾病的類型)。機器學習不僅能協助醫療從業人員進行輔助診斷，還可提升診斷效率，降低潛在的誤診風險。
我將以乳腺癌診斷作為樣本資料，應用機器學習解決二元分類問題，幫助判別乳腺腫瘤是否為惡性。
📂 什麼是分類?
分類任務（Classification Task）是機器學習中的一種核心問題類型，其目的是根據現有數據的特徵，為其分配到特定的類別或標籤。簡單來說，分類任務就是要解答某種「這是什麼？」的問題。例如，根據醫學數據判斷腫瘤是「惡性」還是「良性」；或是根據手寫影像來識別數字是「0~9」中的哪一個。
分類任務廣泛應用於許多特定領域，例如醫療診斷、金融詐欺檢測、垃圾郵件過濾、人臉識別等，為解決多樣化實際問題提供了重要框架。
📦 常見應用
醫療領域：
- 癌症診斷（良性 vs 惡性）
- 健康指標分析預測疾病風險
金融風控：
- 判斷信用卡交易是否為詐欺行為
- 信用風險評估
電子商務：
- 客戶分群（VIP/普通客戶）
- 預測產品是否屬於熱門類型
自然語言處理：
- 垃圾郵件過濾
- 文本情感分類（正面、負面）
電腦視覺：
- 圖像分類（辨識貓、狗）
- 人臉識別與身份驗證
🧾 0. 環境建議與可重現性
在開發環境安裝所需套件:
pip install numpy pandas scikit-learn matplotlib seaborn joblib
設定亂數種子：
RANDOM_STATE = 42
📦 1. 資料集說明（Dataset Card）
- 名稱：Breast Cancer Wisconsin (Diagnostic)
- 來源：sklearn.datasets.load_breast_cancer()
- 任務：二元分類（預測腫瘤為 malignant / benign）
- 樣本數：569
- 特徵數：30 個連續特徵
- 類別比例：malignant 212，benign 357
🔎 2. 載入與初探（Loading & Quick EDA）
- 檢查Y欄位的類別比例，如果相差懸殊就會是不平衡資料，需多做額外處理
- 沒有缺失值
- 還可以多做”異常值檢查”，利用盒鬚圖或是Z分數可以判斷哪些資料是異常值，再進行後續處理
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.datasets import load_breast_cancer
raw = load_breast_cancer()X = pd.DataFrame(raw.data, columns=raw.feature_names)y = pd.Series(raw.target, name="target")
print(X.shape)
print(X.head(3))
print(y.value_counts(normalize=True))
print("Missing:", X.isna().sum().sum())
(569, 30)
mean radius mean texture mean perimeter mean area mean smoothness \
0 17.99 10.38 122.8 1001.0 0.11840
1 20.57 17.77 132.9 1326.0 0.08474
2 19.69 21.25 130.0 1203.0 0.10960
mean compactness mean concavity mean concave points mean symmetry \
0 0.27760 0.3001 0.14710 0.2419
1 0.07864 0.0869 0.07017 0.1812
2 0.15990 0.1974 0.12790 0.2069
mean fractal dimension ... worst radius worst texture worst perimeter \
0 0.07871 ... 25.38 17.33 184.6
1 0.05667 ... 24.99 23.41 158.8
2 0.05999 ... 23.57 25.53 152.5
worst area worst smoothness worst compactness worst concavity \
0 2019.0 0.1622 0.6656 0.7119
1 1956.0 0.1238 0.1866 0.2416
2 1709.0 0.1444 0.4245 0.4504
worst concave points worst symmetry worst fractal dimension
0 0.2654 0.4601 0.11890
1 0.1860 0.2750 0.08902
2 0.2430 0.3613 0.08758
[3 rows x 30 columns]
target
1 0.627417
0 0.372583
Name: proportion, dtype: float64
Missing: 0
🧼 3. 資料前處理（Preprocessing）
透過前面的統計分析和視覺化分析，前處理通常會包含以下步驟:
- 缺失值補值
- 異常值處理
- 去除重複資料
- 檢查資料格式
- ...
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, stratify=y, random_state=RANDOM_STATE
)
scaler = StandardScaler()
🧩 4. 特徵工程（Feature Engineering）
- 標準化轉換
- 特徵篩選
from sklearn.feature_selection import SelectKBest, mutual_info_classif
from sklearn.compose import ColumnTransformer
preprocessor = ColumnTransformer([
("scale", StandardScaler(), X.columns)
])
selector = SelectKBest(score_func=mutual_info_classif, k=20)
🧪 5. 基準模型（Baseline）
分類任務使用的評估指標除了Accuracy之外，常用的為Confusion matrix、F1 Score、ROC、AUC。
from sklearn.dummy import DummyClassifier
from sklearn.metrics import accuracy_score
baseline = DummyClassifier(strategy="most_frequent", random_state=RANDOM_STATE)
baseline.fit(X_train, y_train)
print("Baseline accuracy:", accuracy_score(y_test, baseline.predict(X_test)))
Baseline accuracy: 0.631578947368421🧠 6. 模型選擇與 GridSearchCV
使用GridSearchCV將設置的參數範圍一個一個掃過，就可以一次性的從這些實驗參數中找出最佳的模型。 除了GridSearch之外，也可以使用RandomSearch和BayesSearch等方法。
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import GridSearchCV, StratifiedKFold
# 設定隨機種子
RANDOM_STATE = 42
# 建立流水線 (Pipeline)
pipe = Pipeline([
("scale", StandardScaler()),
("model", LogisticRegression(max_iter=2000, random_state=RANDOM_STATE))
])
# 定義參數網格
param_grid = [
{"model": [LogisticRegression(max_iter=2000, class_weight="balanced")],
"model__C": [0.01, 0.1, 1, 10]},
{"model": [SVC(probability=True, class_weight="balanced")],
"model__C": [0.1, 1, 10], "model__gamma": ["scale", "auto"]},
{"model": [RandomForestClassifier(class_weight="balanced", random_state=RANDOM_STATE)],
"model__n_estimators": [200, 500], "model__max_depth": [None, 5, 10]}
]
# 定義Stratified K-Fold交叉驗證
cv = StratifiedKFold(5, shuffle=True, random_state=RANDOM_STATE)
# 使用GridSearchCV進行超參數調整
grid = GridSearchCV(pipe, param_grid, scoring="roc_auc", cv=cv, n_jobs=-1)
grid.fit(X_train, y_train)
# 印出最佳模型 ROC-AUC 分數
print(f"Best CV ROC-AUC: {grid.best_score_:.4f}")
# 添加印出最佳模型名稱與參數
print("\n===== 最佳模型資訊 =====")
# 顯示最佳模型名稱
best_model_name = grid.best_estimator_.named_steps['model'].__class__.__name__
print(f"最佳模型名稱: {best_model_name}")
# 顯示最佳模型參數
best_model_params = grid.best_params_
print(f"最佳模型參數: {best_model_params}")
Best CV ROC-AUC: 0.9963
===== 最佳模型資訊 =====
最佳模型名稱: SVC
最佳模型參數: {'model': SVC(class_weight='balanced', probability=True), 'model__C': 1, 'model__gamma': 'scale'}
📏 7. 模型評估
挑選完最佳模型後，再進一步評估其各方面的效能，其中Confusion Matrix和ROC-AUC曲線是分類任務中很重要的指標，建議熟悉其原理。
- ROC-AUC曲線越接近1代表模型整體效能越好
from sklearn.metrics import (accuracy_score, precision_score, recall_score, f1_score,
roc_auc_score, average_precision_score, confusion_matrix, RocCurveDisplay)
best_model = grid.best_estimator_
y_pred = best_model.predict(X_test)
y_proba = best_model.predict_proba(X_test)[:, 1]
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Precision:", precision_score(y_test, y_pred))
print("Recall:", recall_score(y_test, y_pred))
print("F1:", f1_score(y_test, y_pred))
print("ROC-AUC:", roc_auc_score(y_test, y_proba))
RocCurveDisplay.from_estimator(best_model, X_test, y_test)
Accuracy: 0.9649122807017544
Precision: 0.9857142857142858
Recall: 0.9583333333333334
F1: 0.971830985915493
ROC-AUC: 0.9940476190476191
🎚️ 8. 閾值調整
分類模型的輸出其實只是一個0~1的數值，需要透過threshold的設定來判斷類別是什麼。
- 通常預設threshold=0.5，預測值超過0.5則分類成"1"類(惡性)，其餘則是"0"類(良性)，類別名稱可以依照自己任務定義
- 調整threshold可以算出不同的指標分數，依照在意的指標嘗試調整到符合標準
from sklearn.metrics import precision_recall_curve, accuracy_score, precision_score, recall_score, f1_score
# 計算 Precision, Recall 和 Threshold
prec, rec, thr = precision_recall_curve(y_test, y_proba)
# 定義一個調整 threshold 並計算新指標的函數
def evaluate_at_threshold(y_true, y_probas, custom_threshold):
"""
根據給定的 threshold 分類，並計算分類指標
"""
# 使用指定門檻值進行分類
y_pred = (y_probas >= custom_threshold).astype(int)
# 計算指標
acc = accuracy_score(y_true, y_pred)
precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)
# 打印輸出
print(f"Threshold: {custom_threshold:.2f}")
print(f"Accuracy: {acc:.4f}")
print(f"Precision: {precision:.4f}")
print(f"Recall: {recall:.4f}")
print(f"F1 Score: {f1:.4f}")
return y_pred, acc, precision, recall, f1
# 任意自定義的 threshold (例如，讓 recall >= 0.95 時，找出對應 threshold 和指標)
custom_thr = thr[np.argmax(rec >= 0.95)]
print("\n=== 評估以 Recall >= 0.95 為目標的門檻值 ===")
y_pred_custom, acc, precision, recall, f1 = evaluate_at_threshold(y_test, y_proba, custom_thr)
# 對不同的 threshold 進行多次測試
thresholds_to_test = [0.3, 0.5, 0.7] # 或者您可自定義其他門檻值
print("\n=== 在不同的 Threshold 下評估 ===")
for t in thresholds_to_test:
print("\nThreshold =", t)
evaluate_at_threshold(y_test, y_proba, t)
=== 評估以 Recall >= 0.95 為目標的門檻值 ===
Threshold: 0.00
Accuracy: 0.6316
Precision: 0.6316
Recall: 1.0000
F1 Score: 0.7742
=== 在不同的 Threshold 下評估 ===
Threshold = 0.3
Threshold: 0.30
Accuracy: 0.9737
Precision: 0.9726
Recall: 0.9861
F1 Score: 0.9793
Threshold = 0.5
Threshold: 0.50
Accuracy: 0.9737
Precision: 0.9859
Recall: 0.9722
F1 Score: 0.9790
Threshold = 0.7
...
Accuracy: 0.9474
Precision: 0.9853
Recall: 0.9306
F1 Score: 0.9571
💾 9. 模型保存與載入
模型評估完成確定可以用之後，將模型儲存以待後續預測使用。 要特別注意在預測之前，要將同樣的資料前處理跟特徵轉換使用在新資料上，才可以丟入模型預測。
import joblib
joblib.dump(best_model, "bc_best_model.joblib")
model = joblib.load("bc_best_model.joblib")
y_pred = model.predict(X_test)
