该数据集包含 20,000 条匿名患者记录，其中包含与肺癌风险因素和症状相关的 16 个属性（15 个特征 + 1 个目标变量）。它专为二元分类而设计，以根据人口统计学、生活方式和健康指标预测患者是否患有肺癌。

数据说明

特征 （自变量）

所有二元分类特征（除 和 外）都编码为：AgeGender

1 = 否（不存在）

2 = 是（存在）

特征 描述 可能的值

性 患者的性别 M（男）、（女）F

年龄 患者年龄（岁） 数字（例如，45、60）

吸烟 吸烟习惯 1（否）、（是）2

YELLOW_FINGERS 手指变黄 1（否）、（是）2

焦虑 存在焦虑 1（否）、（是）2

PEER_PRESSURE 暴露于同伴压力（例如，吸烟影响） 1（否）、（是）2

CHRONIC_DISEASE 存在慢性疾病 1（否）、（是）2

疲劳 疲劳程度 1（否）、（是）2

过敏 存在过敏 1（否）、（是）2

喘息 喘息症状 1（否）、（是）2

ALCOHOL_CONSUMING 饮酒 1（否）、（是）2

咳嗽 咳嗽严重程度 1（否）、（是）2

SHORTNESS_OF_BREATH 呼吸困难 1（否）、（是）2

SWALLOWING_DIFFICULTY 吞咽困难 1（否）、（是）2

CHEST_PAIN 存在胸痛 1（否）、（是）2

目标变量 （因变量）

特征 描述 可能的值

LUNG_CANCER 存在肺癌 YES,NO

数据集特征

实例数：20000

特征数量：16（15 个预测变量 + 1 个目标）

特征类型：

分类 （，GENDERLUNG_CANCER)

二进制 （， ， etc.）SMOKINGYELLOW_FINGERS

数值 （AGE)

班级分布：

可能不平衡（常见于癌症病例少于非癌症病例的医学数据集）。

缺失值：

检查是否有任何要素包含缺失数据（例如 ）。NaN

可能的用例

肺癌的早期发现

训练 ML 模型（Logistic Regression、Random Forest、XGBoost）以预测癌症风险。

风险因素分析

确定与肺癌密切相关的关键症状。

医疗决策支持

根据患者报告的症状协助医生进行初步诊断。

注意事项和限制

医学上不准确

这是一个合成/教育数据集，不应用于真正的医学诊断。

二进制编码 （1=否，2=是）

如果转换为 （NO） 和 （YES），某些模型的性能可能会更好。01

建议的预处理步骤

转换二进制特征（保持一致性）：

更换 → （NO）10

替换 → （YES）21

对分类变量进行编码：

GENDER: → , →M1F0

LUNG_CANCER: → , →YES1NO0

归一化 AGE（如果使用基于距离的模型，如 KNN 或 SVM）。

处理类不平衡 （如果倾斜）。LUNG_CANCER