使用K-means基于3参数数据集预测潜在疾病的可行性及代码效果不佳问题咨询
K-means用于3参数数据集疾病预测的可行性与代码问题排查
核心可行性结论
K-means作为无监督聚类算法可以用于这类场景的初步探索,但它本质是靠特征相似度把样本自然分组,不是端到端的有监督疾病预测模型,没法直接输出高精度的确诊结果。你目前代码逻辑存在多处硬伤,运行结果不准是必然的。
现有代码的核心逻辑错误
- 对K-means的输入规则认知完全错误:你注释里写“不能在三个参数上训练K-means”是错误认知,K-means支持任意数量的数值型特征维度。你目前把3个参数拆成
X_Data(第1列)、Y_Data(第2、3列),再调用model1.fit_predict(X_Data,Y_Data)的写法,完全没把3个参数当成统一的特征矩阵喂给模型——sklearn的KMeans.fit_predict的第二个参数是预留的标签位(无监督模型完全不会使用),根本不是额外的特征输入,等于整个模型训练只用到了1个特征维度,另外2个参数的信息完全被浪费了。 - 没有做特征预处理:K-means靠欧氏距离计算样本相似度,对特征尺度非常敏感。如果你的3个参数量纲差异大(比如症状严重度评分0-10、体温数值36-40、症状持续时长0-48小时),数值范围大的特征会完全主导距离计算结果,聚类边界会完全偏离真实分布。
- 聚类数硬编码没有依据:你直接设置
n_clusters=3默认对应3种疾病,没有通过肘部法、轮廓系数法等方法验证数据集的自然分组数量,如果样本的真实分组不是3类,聚类结果会完全失真。 - 簇到疾病的映射逻辑完全缺失:你提前定义了3种疾病的症状列表,但没有把每个聚类簇的质心和疾病的典型特征范围做匹配,就算跑出聚类结果,也没法把簇和具体疾病对应起来,完全达不到“预测潜在疾病”的目的。
核心修正方向
- 把3个参数的列拼为统一的二维特征矩阵,正确的构造方式为
X_all = data.iloc[:, [1,2,3]].values - 聚类前对所有特征做标准化缩放,消除量纲对距离计算的影响
- 先评估最优聚类数,再设置模型的n_clusters参数,不要硬编码3
- 计算每个簇的质心对应的特征范围,和预先定义的疾病特征向量做匹配,完成簇到疾病标签的映射
- 纯无监督聚类的准确率有限,如果要达到实用级别的疾病预测效果,需要结合少量标注样本做半监督校准
内容的提问来源于stack exchange,提问作者Hassan Tariq
相关产品推荐
相关产品推荐

