تحليل أمراض القلب

عنوان المشروع: تحليل مخاطر أمراض القلب

الهدف:

الهدف الأساسي من هذا المشروع هو تحليل مجموعة بيانات أمراض القلب في العالم الحقيقي لبناء نموذج تنبؤي موثوق. ينصب التركيز على اتخاذ قرارات مسبقة مبررة بناء على التفكير المنطقي وتصور البيانات ، وتجنب تسرب البيانات بشكل صارم لضمان صحة أداء النموذج على البيانات غير المرئية.

المنهجية والخطوات الرئيسية:

استكشاف البيانات: استخدم الفريق التصورات (مخططات التوزيع ، مخططات الصناديق ، المخططات الشريطية) لفهم خصائص الميزة ، وتحديد التوزيعات المنحرفة (مثل مؤشر كتلة الجسم والصحة العقلية) ، وتحديد القيم المتطرفة ، واستكشاف العلاقات مع المتغير المستهدف (على سبيل المثال ، اكتشاف أن التدخين والسكري وضعف الصحة المبلغ عنها ذاتيا ترتبط بارتفاع معدلات أمراض القلب).

المعالجة المسبقة للبيانات: تم تصميم استراتيجية قوية للتعامل مع أنواع البيانات المختلفة:

القيم المفقودة: يتم تناولها باستخدام التضمين (على سبيل المثال ، متوسط الميزات العددية).

ترميز الميزة: تم استخدام نهج مخصص: تم تعيين الميزات الثنائية (نعم/لا) يدويا إلى 0/1 ؛ تم إعطاء الميزات الترتيبية (مثل جينهيلث) ترتيبا مخصصا ؛ وكانت الميزات الاسمية (مثل العرق) مشفرة واحدة ساخنة.

منع تسرب البيانات: كان أحد الجوانب الحاسمة للمشروع هو منع تسرب البيانات. خطط الفريق لترتيب صارم للعمليات: قسم البيانات إلى مجموعات تدريب واختبار أولا ، ثم قم بتشفير الميزات عن طريق تركيب المشفر فقط على بيانات التدريب ، وأخيرا قم بتوسيع الميزات العددية باستخدام قشارة مثبتة حصريا على بيانات التدريب.

خط أنابيب النمذجة: لضمان سير عمل قابل للتكرار وجاهز للإنتاج ، كانت الخطة هي تغليف جميع خطوات المعالجة المسبقة والنموذج داخل محول العمود وخط الأنابيب. يعمل هذا على أتمتة التحولات ويضمن تطبيق نفس المنطق باستمرار على كل من بيانات التدريب والاختبار دون تسرب. يقر المشروع أيضا بالاختلال الطبقي الكبير في مجموعة البيانات (90 ٪ لا يوجد مرض ، 10 ٪ مرض) ويلاحظ أنه يجب معالجة ذلك خلال مرحلة النمذجة.