3：多层感知机实战

经过理论部分的学习，你已经了解了 MLP 的基本结构和训练原理。这一节，你要面对一个真实的分类任务——用 MLP 预测心脏病。和造轮子不同，真实任务的第一道门槛往往不是模型本身，而是数据。

在动手之前，请先搞清楚以下问题。它们是你在实际项目中绕不过去的坎。

真实数据中，特征往往不是纯数值的。比如性别（男/女）、胸痛类型（TA/ATA/NAP/ASY）。

• 什么是独热编码（One-Hot Encoding）？ 写出一个具体例子（假设某特征有 3 个类别，编码后的矩阵是什么样的）。
• 什么是标签编码（Label Encoding）？ 它和独热编码有什么区别？
• 对于神经网络，哪种编码方式更常用？ 为什么？（提示：想想数值大小关系和梯度的关系）

看看下面两个特征：

• Age：在 30~80 之间
• Cholesterol：在 100~600 之间

它们被直接喂进 MLP，会发生什么？

• 为什么 MLP 对输入特征的尺度敏感？（提示：从梯度下降的角度思考）
• Z-Score 标准化（StandardScaler）和 Min-Max 归一化分别是什么？公式是什么？
• 训练集上 fit 了一个 StandardScaler 后，测试集上的 transform 应该用什么？能重新 fit 一次吗？为什么？

• 训练集（Train）、验证集（Validation）、测试集（Test）各自的用途是什么？
• 为什么不能拿测试集来调参？ 用训练集做验证会有什么问题？
• 如果原始数据只有一个 train.csv，你如何获得验证集？

• 准确率（Accuracy）在类别不均衡时会有什么问题？ 举一个极端的例子。
• 精确率（Precision）、召回率（Recall）、F1-Score 分别衡量什么？公式是什么？
• 混淆矩阵（Confusion Matrix） 的四格分别代表什么？
• ROC 曲线和 AUC 分别衡量什么？

• 为什么用 Mini-Batch 而不是一次喂全部数据（Batch GD）或者一次喂一条（SGD）？
• PyTorch 中 DataLoader 的 batch_size 和 shuffle 参数分别起什么作用？训练和验证时 shuffle 应该一样吗？

📥 数据文件请到 QQ 群下载 heart-disease-prediction-buaa-2026 文件夹。

心血管疾病是全球死亡率最高的疾病之一。本数据集整合了多个心脏病研究机构的临床记录，包含 11 个特征，目标是预测患者是否患有心脏病。

也是几乎所有深度学习任务的基本流程。

1. 加载数据，进行探索性数据分析（EDA）——至少看看各类别的样本分布、各特征的统计信息
2. 数据预处理：类别特征编码、数值特征标准化、划分训练/验证集
3. 搭建 MLP 模型（具体结构见下方核心任务）
4. 训练模型，记录训练/验证损失和准确率
5. 评估与可视化：绘制损失曲线和混淆矩阵
6. 对测试集进行预测，生成符合 example_submission.csv 格式的提交文件

class HeartDiseaseClassifier(nn.Module):
    def __init__(self, input_size):
        super(HeartDiseaseClassifier, self).__init__()
        # TODO: 定义网络层
        # 建议：2~3 个隐藏层，配合 BatchNorm 和 Dropout

    def forward(self, x):
        # TODO: 前向传播

def train(model, train_loader, val_loader, epochs, lr):
    # TODO: 训练循环
    # 完成模型训练，并在每个 epoch 后评估验证集准确率

• 推荐用 pandas 读取 CSV，用 sklearn.preprocessing 中的 StandardScaler、OneHotEncoder、LabelEncoder 做预处理
• 类别特征编码后用 np.hstack 或 pd.concat 拼回特征矩阵
• 别忘了处理 train.csv 和 test.csv 时用同一套编码器（train 上 fit，test 上只 transform）
• 819 条数据偏少，建议划分 10%~20% 作验证集

1. 数据预处理中，你采用了什么方式处理类别特征？尝试对比 Label Encoding 和 One-Hot Encoding 对模型效果的影响。
2. 819 条数据对于 MLP 来说是偏少的。你在训练过程中观察到了过拟合现象吗？你是如何缓解的？（Dropout？权重衰减？早停？）
3. 查看特征重要性：如果让你删掉一个特征，你会删哪个？为什么？有没有什么方法可以定量评估特征的重要性？

报告需包含以下内容：

1. 数据探索：样本分布、特征统计、类别平衡情况
2. 预处理方案：编码方式和标准化方式的说明
3. 模型结构：网络层数、神经元数、使用的正则化手段，并说明设计理由
4. 训练过程：超参数设置、损失/准确率曲线、最终验证集结果
5. 改进策略：尝试了哪些改进方法？效果如何？
6. 收获与反思

1. 手写核心代码：模型定义和训练循环必须自己写，不能直接使用 AI 生成
2. 代码注释：每个关键步骤需要添加注释说明其作用
3. 实验记录：记录不同超参数设置的实验结果，分析其影响
4. 推荐使用 matplotlib 进行可视化，有条件的可以使用 GPU 训练

• 代码文件

  将代码整合到 .ipynb 文件中，命名格式：ml-3-姓名-学号.ipynb

• 文档报告

  将 Part 1 和 Part 6 的回答以及 Part 7 的报告写入 .md 文件，命名格式：ml-3-姓名-学号.md

• 将两个文件压缩为 ml-3-姓名-学号.zip 提交

• 邮箱: gimmerml401@163.com

• 主题: 3-姓名-学号

出题人：  Taffy

QQ：2078306188

邮箱：2078306188@qq.com