dearfad/mmhelper

mmhelper Docker镜像说明

镜像概述

本镜像为临床医学本科/硕士研究生提供集成化的Docker环境，用于快速上手机器学习决策树模型，辅助完成毕业论文中的数据分析与撰写工作。镜像包含WinPython、Jupyter Notebook等工具及mmhelper项目的核心代码，支持数据导入、预处理、模型训练、统计检验与可视化展示。

核心功能

1. 数据处理：支持Excel/CSV数据导入，自动分离特征与标签，生成演示数据；
2. 模型训练：集成决策树分类器，实现训练集与测试集拆分、交叉验证；
3. 统计分析：提供卡方检验、独立样本t检验（含Levene方差齐性检验）；
4. 可视化：通过热力图等方式展示变量相关性；
5. 快速验证：支持模型预测准确率计算与新样本测试。

使用场景

• 临床医学专业学生撰写涉及机器学习模型的毕业论文时，快速完成数据处理与模型验证；
• 入门级用户学习用Python进行医学数据分析与机器学习建模；
• 需要高效完成回顾性临床资料统计分析的场景。

配置说明

Docker部署示例

1. 基础运行（交互式）

bash
docker run -it --rm \
  -v $(pwd)/data:/app/data \
  dearfad/mmhelper

• -v $(pwd)/data:/app/data：将本地data目录挂载到容器内，用于存放数据文件（如data.xlsx）。

2. 启动Jupyter Notebook

容器内启动Jupyter Notebook后，可通过浏览器访问：

bash
# 容器内执行
jupyter notebook --ip=0.0.0.0 --port=8888 --allow-root

在本地浏览器输入http://localhost:8888（需映射端口时，添加-p 8888:8888到docker run命令）。

数据准备

1. 将本地数据文件（如data.xlsx）放入挂载的data目录；
2. 容器内通过Jupyter Notebook打开mmhelper.ipynb，按步骤执行代码即可完成数据分析。

注意事项

• 镜像内已预装WinPython 3.7.4.1及相关依赖库；
• 首次使用需上传mmhelper.ipynb与数据文件至Jupyter工作目录；
• 代码中注释可通过CTRL+/快速切换，便于调试。