前幾天我們都是從 HAM10000 中拿出其中一張圖片，練習 Pixel、RGB、Resize 和 Image Preprocessing，但如果接下來真的要拿 HAM10000 訓練模型，只看一張圖片當然不夠
在開始訓練之前，我們至少要先知道這個 Dataset 裡到底有什麼？有幾張圖片？分成哪些類別？每個類別的圖片數量一樣嗎？
所以今天先不急著建立模型，而是正式來認識接下來會一路使用的 HAM10000 Dataset

一、HAM10000 是什麼？

HAM10000 的全名是 Human Against Machine with 10000 training images，是一個皮膚病灶影像資料集，資料集中包含 10,015 張皮膚鏡（dermatoscopic）影像，並將病灶分成 7 個類別
我們這次使用的是 Kaggle 上整理好的 HAM10000：

import kagglehub

path = kagglehub.dataset_download(
    "kmader/skin-cancer-mnist-ham10000"
)
print(path)

下載完成後，除了前幾天使用的圖片資料夾之外，還會看到HAM10000_metadata.csv ，這個 CSV 就像是這 10,015 張圖片的資料表

二、先看看 Metadata 裡有什麼

在開始建立模型之前，我們要先知道自己手上的資料有哪些欄位、資料是否完整，以及資料的分布情況，我們可以使用print(df.info())，看看資料表的欄位，因為如果連自己的 Dataset 長什麼樣子都不知道，就直接開始訓練模型，即使最後得到一個很高的 Accuracy，也很難知道這個結果到底可不可信

使用 Pandas 讀取：

import pandas as pd
import os

metadata_path = os.path.join(path, "HAM10000_metadata.csv")
df = pd.read_csv(metadata_path)

df.head()

• lesion_id 病灶編號
• image_id 圖片編號
• dx 診斷／病灶類別
• dx_type 診斷確認方式
• age 年齡
• sex 性別
• localization 病灶所在部位

三、HAM10000 有哪些病灶類別？

接著可以看看 dx 到底有哪些不同的值：

print(df["dx"].unique())

得到
['bkl' 'nv' 'df' 'mel' 'vasc' 'bcc' 'akiec']
因此可以確認有7種病灶類別

四、每個類別的圖片一樣多嗎？

知道有 7 類之後，下一個需要知道的是每一類別的圖片數量有多多？
可以直接使用：

class_counts = df["dx"].value_counts() 
print(class_counts)

再將數據轉為視覺化的圖表

import matplotlib.pyplot as plt
class_counts.plot(kind="bar")
plt.title("HAM10000 Class Distribution")
plt.xlabel("Class")
plt.ylabel("Number of Images")
plt.xticks(rotation=45)
plt.show()

畫出來之後，我們很快發現每個類別的圖片數量差非常多，其中 nv 的圖片數量特別多，而有些類別的圖片則少很多，這種現象稱為**「Class Imbalance（類別不平衡）」**

五、圖片數量不平均會怎樣？

假設我們今天要教模型分辨「貓」和「狗」，但準備的資料是：
貓：9,500 張、狗：500 張

模型在訓練過程中會看到非常多貓，卻很少看到狗，這時候即使模型很常猜「貓」，整體 Accuracy 看起來可能還是不錯，但這不一定代表模型真的學得很好

HAM10000 也有類似的問題，如果某一個病灶類別的圖片非常多，而其他類別非常少，那麼只看整體正確率，就可能讓我們對模型產生錯誤的判斷，所以在開始訓練之前，我們要先知道「我的資料本身是不是平衡的？」，那麼如果不平衡的話要怎麼辦呢，我們下一篇來討論Class Imbalance