Heart_Disease_Prediction.csv

1. الهدف من المشروع (Project Goal)

التنبؤ بما إذا كان المريض مصاباً بمرض القلب أم لا بناءً على مجموعة من المؤشرات والأعراض الطبية.

2. مراحل وخطوات العمل (Workflow Steps):

أولاً: استكشاف ومعالجة البيانات (Data Exploration & Preprocessing)

تحميل البيانات: تم استيراد مكتبات تحليل البيانات الأساسية (pandas, numpy) وقراءة ملف البيانات Heart_Disease_Prediction.csv.

استكشاف الهيكل:

عرض الصفوف الأولى من البيانات باستخدام df.head().

أخذ عشوائي للصفوف باستخدام df.sample(5).

معاينة الصفوف الأخيرة باستخدام df.tail().

معرفة حجم البيانات وأبعادها (df.shape).

فحص أنواع البيانات والقيم المفقودة:

عرض معلومات الأعمدة وأنواعها باستخدام df.info().

التحقق من وجود أي قيم مفقودة (Null Values) عبر df.isna().sum().

تنظيف وتحويل البيانات (Data Cleaning & Encoding):

تحويل العمود المستهدف (Heart Disease) من قيم نصية (Presence / Absence) إلى قيم رقمية:

1 يعبر عن وجود المرض (Presence).

0 يعبر عن عدم وجود المرض (Absence).

فصل المتغيرات (Feature Separation):

فصل الميزات/المؤشرات الطبية (

X

) عن العمود المستهدف/النتيجة (

y

).

ثانياً: تقسيم البيانات وتطوير النموذج (Data Splitting & Model Training)

تقسيم البيانات: تقسيم البيانات إلى مجموعتي تدريب واختبار بنسبة 80% للتدريب و20% للاختبار باستخدام train_test_split مع تحديد random_state=42 للحفاظ على ثبات النتائج.

بناء وتدريب النموذج:

تم استخدام خوارزمية الأشجار العشوائية (Random Forest Classifier)، وهي إحدى أداء خوارزميات التعلم الآلي القوية في المهام التصنيفية.

تم تدريب النموذج على مجموعة البيانات المخصصة للتدريب باستخدام rf.fit(X_train, y_train).

ثالثاً: تقييم أداء النموذج (Model Evaluation)

التنبؤ: إجراء التنبؤات على مجموعة الاختبار rf.predict(X_test).

قياس الدقة:

حساب نسبة دقة التنبؤ للنموذج باستخدام accuracy_score على بيانات الاختبار.