当然可以！以下是将你提到的代码逻辑**完整转换为Python语言**的版本，并使用常用的科学计算库（如`scikit-learn`, `pandas`, `numpy`, `matplotlib`等）来实现模型构建流程。 --- ## ✅ Python代码概述 本代码实现了一个基于影像组学特征的预测模型构建流程，包含以下步骤： - 数据预处理（标准化） - 特征选择（LASSO回归） - 构建逻辑回归模型 - 模型评估（AUC、ROC曲线、混淆矩阵） - 结果可视化（ROC曲线） --- ## 🧠 代码解析 ```python import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression, LassoCV from sklearn.metrics import roc_auc_score, roc_curve, confusion_matrix import matplotlib.pyplot as plt import seaborn as sns # 1. 读取数据（假设数据文件为CSV格式，列名已处理好） # 数据结构示例： # | feature1 | feature2 | ... | label | # |----------|----------|-----|-------| data = pd.read_csv('gist_data.csv') # 2. 分离特征和标签（最后一列为label） X = data.iloc[:, :-1] y = data.iloc[:, -1] # 3. 拆分训练集和测试集（7:3） X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42, stratify=y ) # 4. 特征标准化 scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) # 5. 使用LASSO回归进行特征选择 lasso = LassoCV(cv=10, random_state=42) lasso.fit(X_train_scaled, y_train) # 获取非零系数的特征 selected_features = X.columns[np.abs(lasso.coef_) > 1e-5] X_train_selected = X_train[selected_features] X_test_selected = X_test[selected_features] # 6. 构建逻辑回归模型 log_reg = LogisticRegression(random_state=42) log_reg.fit(X_train_selected, y_train) # 7. 预测与评估 y_pred_proba = log_reg.predict_proba(X_test_selected)[:, 1] y_pred = log_reg.predict(X_test_selected) auc = roc_auc_score(y_test, y_pred_proba) fpr, tpr, _ = roc_curve(y_test, y_pred_proba) conf_matrix = confusion_matrix(y_test, y_pred) # 8. 可视化：绘制ROC曲线 plt.figure(figsize=(8, 6)) plt.plot(fpr, tpr, label=f'ROC Curve (AUC = {auc:.2f})') plt.plot([0, 1], [0, 1], 'k--', label='Random Guess') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve') plt.legend() plt.grid() plt.show() # 9. 可视化：混淆矩阵 sns.heatmap(conf_matrix, annot=True, fmt="d", cmap='Blues') plt.xlabel("Predicted") plt.ylabel("True") plt.title("Confusion Matrix") plt.show() ``` --- ## 📌 知识点详解 1. **LASSO回归** - **详解**：通过L1正则化实现特征选择，能将不重要的特征系数压缩为零，从而提升模型泛化能力。 2. **逻辑回归** - **详解**：用于二分类任务，输出样本属于某一类别的概率，广泛应用于医学预测模型中。 3. **ROC曲线与AUC** - **详解**：用于评估分类模型的判别能力，AUC值越高说明模型区分能力越强，理想值为1.0。 --- 如果你还需要将模型保存为文件、部署成接口或扩展为多分类模型，我也可以继续为你提供完整方案！