膳食信息增量价值与血糖控制的可解释机器学习研究

以糖尿病成人的临床特征为基线，比较加入膳食信息后的预测变化，通过跨周期验证、校准与 SHAP 分析信息增量。

• 技术与任务机器学习 · 统计与数据分析
• 应用方向信息与人工智能 · 医学与健康

项目亮点

• 增量价值为什么需要共同基线
• 跨周期验证怎样检验稳定性
• 怎样解释没有稳定增益的结果

数据与任务

加入更多膳食变量，是否真的能改善血糖控制预测？这个项目先建立临床基线，再逐组加入营养信息，研究新特征带来的增量，而不是只比较一个复杂模型的最终分数。

先说清楚，它到底在做什么

项目使用 NHANES 2013—2018 年糖尿病成人数据，共 2,068 人，其中 1,340 人用于开发、728 人用于跨周期验证。四类模型与五组特征组合形成对照，比较临床信息和膳食信息在相同评价条件下的贡献。

搞懂它，你能在面试里讲清楚什么

增量价值为什么需要共同基线

在相同人群、相同划分和同一模型下比较是否加入膳食信息，才能把性能变化关联到特征组。临床基线回答已有信息能预测到什么程度，扩展路线回答新信息是否补充了有效信号。

跨周期验证怎样检验稳定性

开发阶段用于训练和选择方法，后续调查周期用于验证。除 AUC 外还观察校准，使结果同时反映区分能力与概率质量。

怎样解释没有稳定增益的结果

跨周期验证中，临床 XGBoost 的 AUC 为 0.7064，加入膳食信息后为 0.7039。项目据此分析特征贡献与信息重叠，现有数据未显示稳定的额外预测收益；SHAP 用于解释模型关联。

怎样阅读实验与配图

研究展示与设计框架组织了问题、实验路线和结果解释；区分能力、校准及营养增量图支持完整汇报。该项目研究观察性调查数据中的预测关系，可用于学习营养与健康数据分析方法。

面试与答辩可以怎样准备

特征重要性高是否就意味着加入它能提高预测表现？

为什么要同时看 AUC 和校准？

跨周期验证与随机留出测试各检验什么？

配套讲解材料围绕整体思路、关键步骤与结果解读展开，并提供面试问答与简历表达参考。准备时可以先按流程说明输入和输出，再选一个样例解释方法，最后用结果图回答具体问题。简历描述结合实际参与内容调整，配图可以放入 PPT 模板组织汇报。

配套资料

项目配有研究设计框架、研究展示框架、实验代码、结果表、解释图和可编辑简历条目。HTML 讲解材料按研究问题、数据与实验、结果解读及面试问答组织，便于按阅读目录学习。

代码覆盖数据处理、核心方法和实验分析。下面是实际源码中的关键函数节选，可以结合文档中的流程与公式阅读，再沿输入、计算与输出理解具体实现。

适合谁

公共卫生、营养学、护理学与健康数据科学方向。 项目资料可用于学习、选题交流与面试答辩准备；沿着数据、方法、实验和解释逐步掌握，形成能够独立讲清楚的项目经历。