Heart Disease Prediction

المشروع عبارة عن Pipeline متكامل للتعلم الآلي باستخدام UCI Heart Disease Dataset، الهدف منه التنبؤ باحتمالية إصابة المريض بأمراض القلب اعتمادًا على البيانات السريرية.

الخطوات:

تنظيف البيانات (التعامل مع القيم المفقودة، التكرارات، والـ Outliers).

تحليل استكشافي (EDA) لفهم العلاقات بين الخصائص والنتيجة.

هندسة خصائص (Feature Engineering) وإنشاء نسب مهمة مثل thalach/oldpeak.

اختيار الخصائص باستخدام طرق متعددة (Random Forest, Chi-Square, RFE).

موازنة البيانات باستخدام SMOTE.

تدريب عدة نماذج: Logistic Regression, Decision Tree, Random Forest, SVM, XGBoost.

تحسين المعلمات (Hyperparameter Tuning) وتقييم الأداء باستخدام Accuracy, F1-score, ROC-AUC.

بناء Voting Ensemble يجمع بين XGBoost وRandom Forest.

نشر النموذج على تطبيق Streamlit تفاعلي يتيح إدخال بيانات المريض وإظهار النتيجة مباشرة.

النتائج:

أفضل أداء تحقق باستخدام Voting Ensemble بدقة متوازنة 92.4% وROC-AUC = 0.958.

النموذج قادر على تصنيف المرضى إلى فئات (منخفض – متوسط – عالي) بناءً على المخاطر.

الأدوات والتقنيات:

Python (pandas, numpy, matplotlib, seaborn, scikit-learn, imbalanced-learn, xgboost), Streamlit.