project ML

قمت بتطوير نموذج ذكاء اصطناعي لتصنيف احتمالية الإصابة بمرض الزهايمر اعتمادًا على بيانات طبية، باستخدام تقنيات Machine Learning المختلفة ومقارنة أدائها لاختيار النموذج الأفضل.

هدف المشروع

بناء نموذج تنبؤي قادر على الكشف المبكر عن مرض الزهايمر بدقة عالية لدعم القرار الطبي.

خطوات التنفيذ

تحليل البيانات واستكشافها (EDA)

معالجة القيم المفقودة وتنظيف البيانات

Encoding للمتغيرات الفئوية

تقسيم البيانات إلى Train / Test

تجربة عدة خوارزميات مختلفة

تقييم الأداء باستخدام:

Accuracy

Precision

Recall

F1-Score

ROC-AUC

PR-AUC

Balanced Accuracy

النماذج المستخدمة

CatBoost

LightGBM

XGBoost

Random Forest

Gradient Boosting

Logistic Regression

SVM

KNN

أفضل النتائج

حقق نموذج CatBoost أفضل أداء على بيانات الاختبار:

Test Accuracy: 94.4%

F1-Score: 0.92

ROC-AUC: 0.93

Balanced Accuracy: 0.937

مما يدل على قدرة النموذج على التعميم الجيد وتقليل مشكلة الـ Overfitting مقارنة ببعض النماذج الأخرى.

القيمة المضافة

مقارنة شاملة بين أكثر من 12 نموذج

تحليل تفصيلي للأداء

اختيار النموذج الأمثل بناءً على عدة مقاييس

كود منظم وقابل لإعادة الاستخدام

إمكانية تطويره كنظام دعم قرار طبي