07 · 从 Claude Science 看 Science：一个案例讲清科研流程
Claude Science 绿皮书 · 第 7 篇 · 2026-07-24
很多人问：Claude Science 到底是干什么的？这一篇我们不讲按钮、不讲代码，只讲一件事：科研究竟在做什么？ 用一个乳腺癌 SVM 分类的真实案例，培养你的 Science 思维。
一、科研不是写代码，是培养一种思维
很多人刚开始做科研时，会把科研等同于「写代码跑模型」。但真正的科研，核心是一种思维方式：
- 怎么把一个大问题拆成可验证的小问题？
- 怎么判断一个结果是真的有用，还是看起来漂亮？
- 怎么让别人相信你的结论，甚至把你的方法用起来？
这三个问题，本质上都在问同一件事：Science 思维是什么？
Claude Science 不是帮你写更多代码，而是帮你建立这种思维：把科学研究变成一个可拆解、可验证、可复现、可交付的流程。这一篇，我们用乳腺癌 SVM 分类这个真实案例，走一遍科研到底在做什么。
二、为什么选乳腺癌 SVM？
选这个案例，是因为它是一个「麻雀虽小，五脏俱全」的正式科研项目：
- 数据公开、可复现：Wisconsin Breast Cancer Diagnostic Dataset，sklearn 直接加载，569 个样本、30 维特征。
- 问题意义明确：辅助诊断，核心目标是减少漏诊。
- 方法经典但足够完整：数据探索、预处理、模型训练、调参、评估、解释，一个不少。
- 结果可解释：特征重要性对应病理学指标，能被专业人士理解。
一句话：这个案例能回答「一个真实科研项目，从头到尾应该怎么跑」。
三、科学工作流五步法
一个正式的科学项目，不是打开 Jupyter 就写代码，而是按流程推进：
第一步：定义问题
用 SVM 对乳腺癌 FNA 图像特征进行分类，预测肿瘤是良性还是恶性。优化目标明确：最大化恶性召回率——宁可错杀，不可漏诊。
第二步：数据探索
加载数据后，先看分布、看相关性、看类别比例。这一步决定你后面会不会把错的数据喂给模型。
第三步：建模实验
对四种核函数（Linear、RBF、Poly-3、Sigmoid）分别独立调优，用交叉验证选出最优参数。
第四步：结果解释
不只看准确率，还要看混淆矩阵、ROC 曲线、特征重要性、PCA 投影。让结果说得通。
第五步：审查与交付
对照代码、图表、文字逐条核对，修 bug，最后输出报告、代码和产品化 Prompt。
四、看产出：正式项目的报告和图表
流程跑完后，核心产出是一份研究报告。下面从报告中摘出关键内容。
4.1 数据集概况
| 属性 | 数值 |
|---|---|
| 总样本数 | 569 |
| 恶性（正类） | 212（37.3%） |
| 良性 | 357（62.7%） |
| 特征数 | 30 |
| 缺失值 | 0 |
30 个特征是 10 项细胞核形态学指标的三种聚合：均值、标准误、最差值。基础指标包括半径、纹理、周长、面积、光滑度、紧密度、凹陷度、凹陷点数、对称性、分形维数。
图 1：类别分布与关键核形态学特征按诊断的直方图
恶性肿瘤在面积、周长、凹陷度等指标上整体右移——细胞核更大、更不规则。
图 2：均值组核特征 Pearson 相关热力图
半径、周长、面积高度共线（r ≥ 0.99），凹陷度与凹陷点数也强相关（r = 0.92）。这提醒我们：不能盲目丢特征，要理解数据背后的结构。
4.2 方法要点
- 数据划分：分层 70/30 训练/测试，保持类别比例。
- 标准化：
StandardScaler仅在训练集上拟合，避免数据泄漏。 - 调参策略：四种核函数分别独立执行 5 折分层 GridSearchCV，构造时显式指定
kernel=参数。 - 评分准则：以恶性召回率为优化目标（
pos_label=0）。
4.3 核心结果
| 核函数 | 准确率 | 精确率 | 召回率(恶性) | F1 | ROC-AUC | TP | FN | FP | TN |
|---|---|---|---|---|---|---|---|---|---|
| Linear | 0.9532 | 0.9516 | 0.9219 | 0.9365 | 0.9907 | 59 | 5 | 3 | 104 |
| RBF | 0.8947 | 0.7875 | 0.9844 | 0.8750 | 0.9883 | 63 | 1 | 17 | 90 |
| Poly-3 | 0.9708 | 0.9538 | 0.9688 | 0.9612 | 0.9975 | 62 | 2 | 3 | 104 |
| Sigmoid | 0.9708 | 0.9683 | 0.9531 | 0.9606 | 0.9961 | 61 | 3 | 2 | 105 |
测试集 n=171，正类 = 恶性。
图 3：调优 RBF SVM 混淆矩阵与四种核函数 ROC 曲线对比
关键观察：
- RBF 核召回率最高（98.4%）：64 例真恶性中只漏掉 1 例，适合「宁可错杀，不可漏诊」的筛查场景。
- Linear 核更均衡：准确率 95.3%、精确率 95.2%，适合控制假阳性成本的场景。
- Poly-3 综合成绩最好：准确率 97.1%、F1 0.961、ROC-AUC 0.9975。
- Sigmoid 是稳健折中：准确率 97.1%、召回率 95.3%、仅 2 例假阳性。
4.4 特征重要性与可解释性
图 4：Linear SVM 权重绝对值（左）与 RBF 置换重要性（右）
两种方法一致指向：worst 组特征主导预测。
| 排名 | 特征 | Linear |w| |
|---|---|---|
| 1 | worst area（最差面积） | 3.66 |
| 2 | mean compactness（均值紧密度） | 3.51 |
| 3 | area error（面积标准误） | 3.40 |
| 4 | mean fractal dimension（均值分形维数） | 2.44 |
| 5 | worst perimeter（最差周长） | 2.09 |
| 6 | worst texture（最差纹理） | 1.77 |
| 7 | mean concavity（均值凹陷度） | 1.68 |
这些特征与病理学标准高度一致：核肥大、核膜不规则、染色质粗糙。模型学到的不是黑箱模式，而是医生也能理解的细胞学规律。
图 5：PCA 二维投影与 Linear SVM 决策边界
前两个主成分累计解释 64.8% 方差，两类在 PC1 方向上清晰分离。误分类样本都落在间隔边界附近，说明它们本身是模糊案例，而不是模型系统性失败。
五、Review 机制：让结论经得起推敲
这个案例最有价值的部分，不是最后的 98.4% 召回率，而是审查机制。
我们按「代码-图表-文字」三条线做了两轮 review，共发现 6 个问题：
第一轮：代码层 bug（3 项）
- "RBF" 标签实为 Linear 模型——GridSearchCV 选出 linear 最优解，但被错误标成 RBF。
- 混淆矩阵标题与内容不匹配——标题写 tuned RBF，实际是 Linear 结果。
- 置换重要性模型标签错误——同样把 Linear 模型标成 RBF。
根因：一个 kernel 标签错误，同时污染了三张图和两个结论。
第二轮：结论与数据矛盾（3 项）
- "Linear 在准确率和 F1 上表现最好"——与表格数据矛盾。
- "Sigmoid 召回率第二高"——实际排序是 RBF > Poly-3 > Sigmoid。
- 特征表遗漏 concavity error——导致后续排名错位。
审查给我们的启示：
- 代码 bug 会级联污染图表和结论。
- 数字和文字必须互相对照。
- Review 不是面子工程，是质量控制门。
这就是 Claude Science 的核心价值：不是帮你跑出结果，而是帮你确认结果可信。
六、从 Claude Science 到 Claude Code：科研与 building 的分工
流程跑通后，很多人会问：下一步是不是直接做产品？
这里要分清两件事：
- Claude Science 做科研：验证核心算法、建立科学流程、确认结果可信。它培养的是研究员思维——怎么定义问题、怎么验证假设、怎么解释结果、怎么经得起审查。
- Claude Code 做 building：把 Claude Science 验证过的东西工程化、产品化。它培养的是工程师思维——怎么写可维护的代码、怎么搭 API、怎么做 UI、怎么部署上线。
这个案例里，Claude Science 的产出是：研究报告、5 张分析图、可复现脚本、审查记录。这些东西说明科研已经做扎实了。
接下来交给 Claude Code 的，才是一个可以开发的「乳腺 FNA 初筛助手」。
科研五步法：从问题定义到可信交付的完整流程
七、写在最后
乳腺癌 SVM 案例真正的价值，不是 98.4% 的召回率，而是它展示了科研思维是什么。
一个可信的科研项目，至少包含四层：
- 问题清晰：知道要优化什么指标，为什么优化它。
- 过程可复现：数据、代码、参数、随机种子都被记录。
- 结果可审查：代码、图表、文字三线对齐，经得起回看。
- 产出可交付：研究报告给同行，代码给复现者，Prompt 给工程团队。
Claude Science 解决的就是这四层问题。它不负责把产品做出来——那是 Claude Code 的 building 工作——它负责确保你交给 Claude Code 的东西，是站得住脚的。
下一篇，我们会继续扩展这个工作流：把单个模型实验升级为多模型对比 + 自动化报告生成，让 AI 不仅帮你跑实验，还能帮你把论文初稿的结构搭出来。
本案例附件
以下文件可直接下载，用于复现或继续开发：