How zhanghongqi1/diabetes-risk-prediction-platform works
这是一个基于 Pima Indians Diabetes 数据集的糖尿病风险预测与健康数据分析平台。主流程是导入原始数据、训练并选择模型、由 Flask 提供单例或 CSV/Excel 批量预测、将预测留痕到 MySQL，再向页面返回风险结果。训练阶段还包含 OOF 阈值调优、模型对比、特征重要性与相关性热力图；稳定性复训是独立验证分支。README 记录了智能体部署能力，但没有对应运行时代码路径，因此不纳入仓库运行链路。关系依据 README 与所采样源码；未采样的页面调用细节仅按文档接口概述。
Main entry points: app.py Flask 应用 · 03_train_models.py 模型训练选型 · init_db.sql MySQL 数据库 · index.html 风险仪表盘
Components 17
Connections 24
- 原始数据 → 数据导入清洗: 读取
- 数据导入清洗 → MySQL 数据库: 写入原始及清洗数据
- 数据导入清洗 → 清洗预览数据: 导出预览
- 模型训练选型 → MySQL 数据库: 读取原始数据
- 模型训练选型 → 模型与指标: 导出模型
- 模型训练选型 → 模型元数据: 写入指标阈值
- 模型训练选型 → 特征重要性: 导出重要性
- 模型训练选型 → 相关性热力图: 生成图表
- 模型训练选型 → MySQL 数据库: 写入模型指标
- 稳定性验证 → MySQL 数据库: 读取原始数据
- 稳定性验证 → 模型元数据: 读取超参数阈值
- 稳定性验证 → 稳定性结果: 保存结果
- 使用者 → 风险仪表盘: 访问
- 风险仪表盘 → Flask 应用: 调用预测接口
- 使用者 → 批量文件: 提供文件
- 批量文件 → Flask 应用: 上传批量文件
- Flask 应用 → 输入校验配置: 使用校验规则
- Flask 应用 → 模型与指标: 加载并推理
- Flask 应用 → 模型元数据: 读取部署配置
- Flask 应用 → 特征重要性: 读取特征贡献度
- Flask 应用 → MySQL 数据库: 查询健康及历史
- Flask 应用 → 预测记录: 保存预测记录
- Flask 应用 → 风险仪表盘: 返回结果与指标
- 相关性热力图 → 风险仪表盘: 页面展示