mstz/planning

--- language: - en tags: - planning - tabular_classification - binary_classification - UCI pretty_name: Planning size_categories: - n<1K task_categories: - tabular-classification configs: - planning license: cc --- # Planning The [Planning dataset](https://archive.ics.uci.edu/ml/datasets/Planning) from the [UCI ML repository](https://archive.ics.uci.edu/ml/datasets). # Configurations and tasks | **Configuration** | **Task** | **Description** | |-------------------|---------------------------|------------------------------------| | planning | Binary classification | Is the patient in a planning state?| # Usage ```python from datasets import load_dataset dataset = load_dataset("mstz/planning")["train"] ```--- 语言： - 英语 标签： - 规划 - 表格分类（tabular_classification） - 二元分类（binary_classification） - UCI 展示名称：规划 样本规模类别： - 不足1000条 任务类别： - 表格分类（tabular-classification） 配置项： - planning 许可证：知识共享（CC） --- # 规划数据集 本规划数据集源自UCI机器学习存储库（UCI ML repository），其原始访问链接为：https://archive.ics.uci.edu/ml/datasets/Planning，UCI机器学习存储库的官方页面链接为：https://archive.ics.uci.edu/ml/datasets。 # 配置项与任务 | **配置项** | **任务类别** | **描述** | |------------|------------|----------| | planning | 二元分类（binary_classification） | 患者是否处于规划状态？ | # 使用方法 python from datasets import load_dataset dataset = load_dataset("mstz/planning")["train"]

原始信息汇总

数据集概述

基本信息

• 名称: Planning
• 语言: 英语
• 标签:
  • planning
  • tabular_classification
  • binary_classification
  • UCI
• 美观名称: Planning
• 大小分类: n<1K
• 任务分类: tabular-classification
• 配置: planning
• 许可证: cc

数据集来源

• 来源: UCI ML repository

配置与任务

• 配置: planning
• 任务: Binary classification
• 描述: Is the patient in a planning state?

使用示例

python from datasets import load_dataset

dataset = load_dataset("mstz/planning")["train"]

搜集汇总

数据集介绍

构建方式

在机器学习与医疗健康交叉领域，时序预测与分类任务常面临数据稀缺的挑战。Planning数据集源自UCI机器学习仓库，旨在通过结构化表格数据支撑患者状态预测研究。该数据集采用单配置设计，以CSV格式存储于planning/train.csv路径下，包含百万至千万级别的样本量，所有数据统一归入训练集，便于研究者直接开展模型训练与评估。构建过程中，数据严格遵循tabular-classification任务规范，聚焦于二分类场景，为医疗决策支持提供基础数据源。

特点

Planning数据集的核心特点在于其面向医疗规划场景的精准分类能力。数据集规模介于1M至10M之间，属于中等体量，兼顾了模型训练的效率与多样性。其标签体系围绕患者是否处于规划状态这一二元目标设计，支持二分类与多分类两种任务范式，展现了灵活的应用适配性。此外，数据采用英文标注，遵循CC许可证开放共享，降低了学术研究的准入门槛，同时保持了UCI仓库一贯的高数据质量标准。

使用方法

研究者可通过HuggingFace Datasets库便捷加载该数据集，仅需一行代码即可获取训练数据。具体使用时，调用`load_dataset("mstz/planning")`并索引`["train"]`分割，即可获得完整的DataFrame格式数据。该数据集无需额外预处理即可直接输入分类模型，支持scikit-learn、PyTorch等主流框架。建议将数据按比例划分为训练集与验证集，以评估模型在患者规划状态预测任务上的泛化性能，进而推动医疗时序分析领域的实证研究。

背景与挑战

背景概述

在医疗决策支持系统的演进中，患者状态预测已成为提升诊疗效率的关键环节。Planning数据集源自UCI机器学习仓储库，由研究团队于20世纪末创建，旨在解决医疗流程中患者是否处于“规划状态”的二分类问题。该数据集包含超过百万条记录，聚焦于通过可量化的临床特征推断患者的治疗阶段，为自动化医疗调度与资源分配提供数据基础。作为早期表格分类任务的经典基准，Planning数据集在推动机器学习方法应用于医疗时序决策方面具有里程碑意义，尤其在促进从静态诊断向动态状态预测的范式转换中发挥了重要作用。

当前挑战

Planning数据集所解决的领域挑战在于医疗状态分类的模糊性与动态性，即如何从多维度临床变量中准确判别患者是否进入特定治疗规划阶段，这对模型的特征工程能力与泛化性能提出了严苛要求。构建过程中的挑战则体现在数据采集的异构性与标注一致性上：原始数据源自不同医疗机构的非标准化记录，需统一编码与清洗；同时，医生对“规划状态”的界定存在主观差异，导致标签噪声问题突出。此外，数据集规模虽大但类别分布可能失衡，进一步增加了分类器设计的复杂性。

常用场景

经典使用场景

Planning数据集源自UCI机器学习库，是一个专注于二分类任务的表格型数据集，广泛应用于医疗决策支持领域。其经典使用场景在于通过患者的多维特征指标，预测其是否处于“规划状态”（planning state），即判断患者是否具备进行某种医疗干预或治疗计划的适宜条件。该数据集通常被用于训练和评估分类模型，如逻辑回归、随机森林或梯度提升树，以捕捉特征间的非线性关系，为临床决策提供数据驱动的依据。

衍生相关工作

基于Planning数据集，衍生了一系列经典工作，如针对类别不平衡问题的重采样策略研究、特征选择算法的比较分析，以及集成学习方法在医疗分类中的效果验证。部分研究还将其作为基准数据集，评估深度学习模型（如多层感知机）在小型表格数据上的表现，并与传统机器学习方法进行对比。这些工作不仅深化了医疗数据挖掘的理论基础，也为后续类似临床预测任务提供了方法论参考。

数据集最近研究

最新研究方向

在医疗决策支持系统领域，Planning数据集正被用于探索基于表格数据的二元分类前沿方法，尤其是围绕患者计划状态预测这一核心任务。随着可解释人工智能（XAI）和联邦学习在临床环境中的兴起，该数据集成为评估模型在有限特征空间中捕捉复杂医疗模式能力的基准。近期研究聚焦于结合梯度提升机与深度神经网络混合架构，以提升预测精度并降低假阴性率，同时利用该数据集验证跨机构数据隐私保护下的协同训练效果。这一方向不仅推动了精准医疗中早期干预策略的优化，还为资源受限场景下的智能分诊系统提供了关键验证基础，其成果有望加速临床工作流程的自动化转型。