糖尿病风险预测 · 手写贝叶斯优化器与边界线 SMOTE

这个项目解决什么问题

糖尿病预测（Kaggle 经典 PIMA 数据集）是二分类的"老面孔"，几乎每个人都能搜到一份跑通的教程。本项目刻意在两个最容易"调库糊弄"的环节动真格：超参数优化和类别不平衡处理——自己实现，而不是 import 一个包。做完这两个模块，你对算法的理解会从"会用"变成"会写、会讲"。

核心亮点

• 自实现贝叶斯优化器：不依赖 skopt，用高斯过程做代理模型，EI / UCB 两种采集函数均为手写，并与 skopt、随机搜索同场竞技、对比收敛速度。课程汇报时说"优化器是我自己写的"和"我用了一下 skopt"，完全是两个档次。
• 自实现"边界线 SMOTE"：纯 numpy 实现，只对靠近决策边界的少数类样本插值合成新样本，并与标准 SMOTE、class_weight 两种策略在同一套评估下对比——每种策略的适用场景你都能说清楚。
• 风险分层报告：把预测概率划成低 / 中 / 高三层，并验证每层的实际患病率是否校准——分层结果可以直接解释为分诊依据，这是把模型输出"翻译"给业务的典型示范。
• 模块可独立运行：my_optimizer.py 和 my_smote.py 都能单独跑通做验证，注释里含算法原理与推导，方便逐行阅读、写进实验报告。

效果预览

三种优化器的收敛曲线对比——自实现贝叶斯优化器与 skopt 的表现一目了然：

三种不平衡处理策略的对比，"边界线 SMOTE"的取舍清晰可见：

风险分层后各层的实际患病率——分层是否"校准"直接决定它能不能当分诊依据：

预览图基于模拟数据演示实际运行效果，真实数据运行结果以你下载的数据集为准。

你将学到

• 超参数优化的原理与手写实现：高斯过程、采集函数、收敛曲线怎么读
• 类别不平衡的多种解法：过采样（含边界线变体）、代价敏感，各自适合什么场景
• 概率校准思维：模型输出的"70%"到底是不是 70% 的患病率
• 如何把一个"调库项目"升级成"有自己代码贡献的项目"

适合谁

需要完成分类方向毕业设计、且想在课程汇报中展示"算法原理级理解"而非纯调参经验的学习者。难度 ★★★，两个手写模块都有推导注释，跟着读一遍即可消化；如果你想给自己的项目加上"自研算法"的亮点，这里提供了完整的参照。

交付内容：完整可运行源码、README.md（逐步运行方法与实现说明）、requirements.txt。

数据集：第三方数据受原始授权限制不随包分发，按 README.md 里的官方链接下载放入 data/ 即可跑通全流程。

许可：个人使用，可用于自己的学习、课程实验与研究报告，请勿转售或公开传播。

环境与步骤

pip install -r requirements.txt

pip install -r requirements.txt
python main.py            # 全流程 + 图表 + 风险分层报告
python my_optimizer.py    # 单独验证自实现的贝叶斯优化器
python my_smote.py        # 单独验证自实现的边界线 SMOTE

注意事项

• 数据集不随包提供：先按 README.md 的链接下载放入 data/，再执行下面的命令。

Q：两个自实现模块能单独跑吗？

A：能。python my_optimizer.py 和 python my_smote.py 各自带验证入口与原理注释，不依赖主流程；main.py 再把它们与 skopt、标准 SMOTE、class_weight 放进同一张表对比。

Q：自己都写优化器了，为什么还要装 scikit-optimize？

A：为了当对照组。没有对照，“我手写了一个贝叶斯优化器”只是一句声明。项目比的是收敛曲线，以及“达到 0.99 倍最优所需评估次数”这类可量化指标。

Q：数据要下载吗？

A：要，用的是 PIMA Indians Diabetes（Kaggle 上 uciml 维护的那份），不随包分发，放入 data/ 即可跑通。

Q：边界线 SMOTE 比标准 SMOTE 好在哪？

A：标准 SMOTE 对所有少数类样本一视同仁地插值，会把噪声点也放大。这里先用 KNN 判定哪些样本落在决策边界附近，只对边界的少数类合成新样本并跳过疑似噪声点，纯 numpy 实现，代码里能逐行看到判定过程。