新编医学计算机信息应用14.pdfVIP

课程名称新编医学计算机信息应用

授课章节第14章机器学习及医学应用

授课专业

授课班级

实施日程第周——第周授课时数2

1.理解机器学习基础概念：核心术语（数据集、样本/示例、属性/特

征、训练集/测试集）；机器学习定义（通过先验信息优化模型，即

\(M1=T(M0,E)\)）及基本思路（训练集→算法→目标函数→测试集）。

2.掌握核心算法与模型：监督学习：k-近邻（kNN，分类用投票法、回

归用平均法）、决策树（分类/回归树，基础算法ID3/C4.5/CART）、

贝叶斯模型（基于概率分布，含朴素贝叶斯）、支持向量机（SVM，二

知识目标分类，最大化间隔超平面）；无监督学习：k-均值聚类（k-means，按

距离划分簇）、主分量分析（PCA，降维，保留高方差方向）。

3.掌握医学应用流程：监督学习解决问题步骤（划分训练/测试集→训

练模型→测试评估→预测新样本）；能复现乳腺癌诊断案例（用kNN

算法处理《乳腺癌诊断数据集》，计算预测准确率）。

教学目标

4.了解算法适用场景：区分监督学习（带标签数据，如疾病诊断）与无

监督学习（无标签数据，如患者数据聚类）的应用差异。

1.培养机器学习思维：建立“数据→模型→预测”的逻辑链条，适配

医学中“临床数据→诊断模型→疾病预测”的需求。

2.提升数据驱动决策能力：通过算法对医学数据的分析，学会用模型结

果支撑结论，契合医学诊断“证据导向”的严谨性要求。

育人目标3.强化跨学科创新意识：结合乳腺癌诊断等案例，体会机器学习在医学

诊断、数据挖掘中的价值，激发“医学+AI”交叉领域探索兴趣。

4.树立严谨治学态度：在模型训练与评估中，重视数据划分、参数设置

的规范性，避免因操作失误影响结果可信度，贴合医学工作“零差错”

标准。

1.核心算法原理：k-近邻（kNN）的“邻居投票”逻辑、k-均值聚类的“距离

划分簇”思路、PCA的降维原理。

2.监督学习流程：训练集/测试集划分、模型训练（fit()）、预测（predict()）、评估

教学重点

（accuracy_score()）。

3.医学案例实践：用kNN算法处理乳腺癌诊断数据集，完成数据预处理（删无关列、

拆分特征与标签）、模型构建与准确率计算。

1.算法核心逻辑理解：

◦支持向量机“最大间隔超平面”的数学内涵；

◦贝叶斯模型中先验概率、后验概率的转换关系。

教学难点2.算法选择与参数调优：根据医学任务（如分类/聚类/降维）选择适配算法，理

解kNN中k值（邻居数量）对预测结果的影响。

3.医学数据预处理：处理数据集的无关特征（如乳腺