mstz/liver

ILPD数据集来自UCI ML仓库，主要用于二元分类任务，即判断患者是否有肝脏问题。数据集包含少于1000个样本，适用于表格分类任务。ILPD数据集来自UCI ML仓库，主要用于二元分类任务，即判断患者是否有肝脏问题。数据集包含少于1000个样本，适用于表格分类任务。

原始信息汇总

ILPD 数据集概述

基本信息

• 语言: 英语
• 标签:
  • ilpd
  • tabular_classification
  • binary_classification
  • multiclass_classification
  • UCI
• 易读名称: Liver
• 大小类别: n<1K
• 任务类别: tabular-classification
• 配置: liver
• 许可证: cc

数据集来源

• 来源: UCI ML repository
• 链接: ILPD dataset

配置和任务

配置	任务	描述
liver	二元分类	患者是否患有肝脏问题？

使用方法

python from datasets import load_dataset

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

搜集汇总

数据集介绍

构建方式

肝脏疾病作为全球公共卫生领域的重要挑战，其早期诊断依赖于高质量的临床数据支撑。该数据集源自UCI机器学习库中的ILPD（Indian Liver Patient Dataset）资源，通过系统化整合印度次大陆地区患者的肝脏功能检测指标构建而成。数据采集涵盖血清总胆红素、直接胆红素、碱性磷酸酶、谷丙转氨酶等关键生物标志物，并纳入年龄、性别等人口统计学特征，最终形成包含583个样本、11个特征维度的结构化表格数据集。每个样本均标注了是否存在肝脏疾病的二元标签，为监督学习任务提供了可靠的训练素材。

特点

该数据集呈现出鲜明的临床诊断导向特征，其核心优势在于特征维度与样本量的精巧平衡——既避免了高维小样本带来的过拟合风险，又保留了足够的信息量用于模式挖掘。所有特征均采用连续数值型变量与分类变量相结合的混合编码方式，其中生物标志物指标经过标准化预处理以消除量纲差异。特别值得关注的是，数据集天然支持二元分类与多类分类两种任务范式，研究者可根据实际需求选择是否将健康人群与不同肝病亚型进行区分建模。此外，数据集规模控制在千级以内，特别适合作为算法验证的基准测试平台。

使用方法

通过HuggingFace Datasets库可便捷调用该资源，仅需三行Python代码即可完成数据加载：首先导入load_dataset函数，随后指定数据集标识符'mstz/liver'，最后通过索引['train']获取结构化数据。加载后的数据集自动转换为Apache Arrow格式，支持pandas DataFrame无缝对接。研究者可直接利用'features'属性查看特征名称与数据类型，通过['label']列提取分类标签。对于需要划分训练集与测试集的场景，建议采用scikit-learn的train_test_split函数按7:3比例进行分层抽样，确保类别分布的一致性。数据预处理阶段可重点关注异常值处理与特征缩放，以提升下游分类模型的泛化性能。

背景与挑战

背景概述

肝脏疾病是全球公共卫生领域面临的重大挑战之一，其早期诊断对改善患者预后至关重要。在此背景下，印度肝脏疾病数据集（ILPD）于2012年由印度安得拉邦的临床研究人员与UCI机器学习库合作创建，旨在通过临床指标预测肝脏疾病的存在。该数据集聚焦于二元分类任务，即判断患者是否存在肝脏问题，为机器学习在医疗诊断中的应用提供了基准测试平台。作为UCI库中的经典资源，ILPD被广泛用于验证分类算法在医学表格数据上的有效性，推动了可解释性模型与集成学习在肝病筛查中的研究进展，至今仍是评估模型泛化能力的重要参考。

当前挑战

ILPD数据集所解决的领域问题在于从有限的临床特征中准确识别肝脏疾病，但实际应用中面临多重挑战：首先，数据量不足（样本数少于1K）限制了深度学习模型的训练效果，易导致过拟合；其次，类别不平衡问题可能影响模型对少数类的判别能力；再者，临床指标的缺失值与噪声干扰了特征提取的鲁棒性。在构建过程中，研究人员需处理来自不同医院的异构数据整合难题，并确保标注的医学一致性，同时避免隐私泄露风险。这些挑战共同凸显了小样本医学数据集在真实部署中的局限性，亟需结合迁移学习或数据增强技术加以缓解。

常用场景

经典使用场景

该数据集源自UCI机器学习库中的印度肝脏患者数据集（ILPD），其经典使用场景聚焦于基于血液检测指标与临床特征构建二分类模型，以预测患者是否存在肝脏疾病。研究者常利用其包含的十项生物标志物（如总胆红素、白蛋白、碱性磷酸酶等）与患者人口学信息，通过逻辑回归、支持向量机或集成学习方法，在有限样本量（n<1K）下实现高精度诊断判别。这一场景为小样本医学数据挖掘提供了典型基准。

解决学术问题

该数据集核心解决了肝脏疾病早期筛查中临床特征与诊断结果之间非线性关联的建模难题。传统医学统计方法难以捕捉多指标交互效应，而该数据集为验证特征选择算法、处理类别不平衡问题（健康与患病样本比例失衡）以及比较不同分类器在低维医学数据上的泛化性能提供了标准化测试平台。其学术意义在于推动可解释性机器学习在肝胆疾病辅助诊断中的理论探索，并为后续研究建立性能比较的基线参考。

衍生相关工作

该数据集衍生了一系列经典工作，包括针对类别不平衡的SMOTE过采样改进方法、基于L1正则化的特征选择框架，以及融合临床先验知识的贝叶斯网络模型。其中，部分研究通过引入集成学习（如随机森林与梯度提升机）显著提升了预测鲁棒性，另有工作将其与CT影像特征结合构建多模态诊断模型，开创了结构化数据与影像数据联合分析的新范式。这些成果持续推动着肝脏疾病智能诊断领域的方法论演进。