基于MLP模型的Streamlit高血压预测APP异常排查与修正

可能的异常原因 #

• 输入数据预处理不匹配：训练时对特征做了标准化/归一化，但Streamlit应用直接使用原始输入数据，导致数据分布与训练集偏差极大，模型默认输出训练样本占比最高的类别（比如高血压3期）。
• 模型加载失效：加载的不是训练完成的最终模型，而是未收敛的中间 checkpoint；或是Keras模型保存/加载时结构不匹配（比如丢失自定义层、未正确保存权重）。
• 预测逻辑错误：获取模型输出时硬编码了类别索引（比如固定取最后一个类别），或是对softmax输出的概率排序处理错误，导致始终返回同一结果。
• 类别映射错误：训练时的标签编码顺序与Streamlit中的类别映射不匹配，或是直接将结果硬编码为“高血压3期”。

修复方案与调整后的Streamlit代码 #

核心修复步骤 #

1. 复用训练时的预处理逻辑：保存训练阶段使用的标准化/归一化器（如StandardScaler），在应用中加载后对输入特征做相同转换。
2. 正确加载模型：使用Keras官方的load_model()方法加载完整模型，若有自定义层需指定custom_objects参数。
3. 修正预测逻辑：通过np.argmax()获取概率最高的类别索引，再映射到对应的类别名称。

调整后的完整代码示例 #

import streamlit as st
import numpy as np
from tensorflow import keras
from sklearn.preprocessing import StandardScaler
import joblib

# 加载训练好的模型和预处理scaler
model = keras.models.load_model('hypertension_mlp_model.h5')
scaler = joblib.load('scaler.pkl')  # 训练时保存的标准化器

# 类别映射必须与训练时的标签编码顺序完全一致
class_mapping = {
    0: "正常",
    1: "高血压1期",
    2: "高血压2期",
    3: "高血压3期"
}

st.title("高血压风险多分类预测")

# 根据你的模型特征列表调整输入控件
age = st.number_input("年龄", min_value=18, max_value=100, value=50)
systolic_bp = st.number_input("收缩压", min_value=80, max_value=220, value=120)
diastolic_bp = st.number_input("舒张压", min_value=50, max_value=140, value=80)
bmi = st.number_input("BMI指数", min_value=15.0, max_value=40.0, value=22.0)
fasting_glucose = st.number_input("空腹血糖", min_value=3.0, max_value=20.0, value=5.0)

# 整理输入为模型可接受的格式
input_features = np.array([[age, systolic_bp, diastolic_bp, bmi, fasting_glucose]])

# 执行与训练时一致的预处理
scaled_input = scaler.transform(input_features)

# 模型预测与结果解析
predictions = model.predict(scaled_input, verbose=0)
predicted_idx = np.argmax(predictions, axis=1)[0]
predicted_class = class_mapping[predicted_idx]
predicted_prob = predictions[0][predicted_idx]

st.subheader("预测结果")
st.write(f"**风险等级**: {predicted_class}")
st.write(f"**预测概率**: {predicted_prob:.2%}")

关键注意事项 #

• 训练时需用joblib.dump(scaler, 'scaler.pkl')保存标准化器，不能在应用中重新拟合scaler。
• 验证模型保存的完整性：训练完成后使用model.save('hypertension_mlp_model.h5')保存完整模型结构与权重。
• 若训练时使用了LabelEncoder编码类别，需同步保存编码器（joblib.dump(label_encoder, 'label_encoder.pkl')），加载后用label_encoder.inverse_transform()解析类别。
• 可添加调试代码（如st.write(scaled_input)、st.write(predictions)），查看输入特征的缩放结果和模型输出的概率分布，快速定位问题。

内容的提问来源于stack exchange，提问作者junesoka