breast cancer

وصف المشروع: تحليل وتصنيف البيانات الطبية باستخدام التعلم الآلي

ملخص المشروع:

يهدف هذا المشروع إلى تحليل وتصنيف البيانات الطبية باستخدام تقنيات التعلم الآلي، وذلك للمساعدة في تحسين عمليات التشخيص الطبي. يتم تطبيق نموذج Random Forest لتصنيف البيانات بناءً على مجموعة من الميزات المستخرجة من صور طبية. يتم التركيز على معالجة البيانات، تنظيفها، وتطبيق التحجيم والتوازن بين الفئات لضمان دقة وموثوقية النتائج.

خطوات تنفيذ المشروع:

تحميل البيانات ومعالجتها:

استيراد البيانات من ملف CSV وتحليلها.

حذف الأعمدة غير الضرورية مثل id لتقليل الضوضاء في البيانات.

استخدام Label Encoding لترميز القيم الفئوية مثل diagnosis.

تنظيف البيانات ومعالجة القيم الشاذة:

تطبيق تقنيات إزالة القيم الشاذة مثل Z-score لتقليل تأثير القيم غير الطبيعية على النموذج.

فلترة القيم غير المنطقية في بعض الأعمدة (radius_mean وperimeter_mean).

توزيع البيانات وإعادة التوازن بين الفئات:

تحليل توزيع الفئات لتحديد الفئة الأكثر والأقل تكرارًا.

تطبيق undersampling على الفئة الأكثر تكرارًا لضمان تحقيق توازن بنسبة 55%:45%.

تحويل القيم العددية وتطبيعها:

استخدام MinMaxScaler لتحجيم القيم بحيث تكون جميعها في نطاق موحد بين 0 و1، مما يساعد على تحسين أداء النموذج.

تحليل البيانات واستكشافها بصريًا:

رسم Scatter Plots لتحليل توزيع القيم بعد المعالجة.

حساب القيم الشاذة باستخدام Z-score لتحديد مدى تأثيرها على النموذج.

بناء نموذج التصنيف وتقييم الأداء:

تقسيم البيانات إلى مجموعة تدريب (80%) ومجموعة اختبار (20%).

تدريب نموذج Random Forest Classifier على بيانات التدريب.

تقييم النموذج باستخدام عدة مقاييس مثل:

الدقة (Accuracy)

تقرير التصنيف (Classification Report)

عرض النتائج والتفسير:

حساب دقة النموذج وتقديم تحليل لمصفوفة الالتباس لفهم الأداء الفعلي.

تفسير النتائج وإجراء تحسينات عند الحاجة.

نتائج المشروع:

تحقيق دقة عالية في التصنيف باستخدام نموذج Random Forest.

تحسين جودة البيانات عبر التنظيف وإزالة القيم الشاذة، مما يساهم في تعزيز أداء النموذج.

تطبيق استراتيجيات متقدمة في معالجة البيانات مثل إعادة التوازن للفئات وتقنيات التطبيع لضمان عدم تحيز النموذج تجاه فئة معينة.

الخاتمة:

يُعد هذا المشروع نموذجًا عمليًا لاستخدام تقنيات الذكاء الاصطناعي والتعلم الآلي في المجال الطبي، حيث يمكن استخدامه كأساس لتطوير أنظمة دعم القرار للأطباء في تشخيص الحالات المرضية بناءً على البيانات المدخلة.