A-Comparative-Machine-Learning-Framework-for-Heart-Attack-Risk-Prediction-Using-Data-Preprocessing
Vergleichen Sie Modelle des maschinellen Lernens für die klinische Risikovorhersage.
Komparative ML-Pipeline mit SMOTE, Kreuzvalidierung und Auswertung mehrerer Modelle.
Dieses Open-Source-Python-Framework vergleicht überwachte Algorithmen des maschinellen Lernens zur Vorhersage des Herzinfarktrisikos anhand von Patientendaten zu Demografie, Lebensstil und Klinik. Es richtet sich an Datenwissenschaftler und Forscher im Gesundheitswesen, die prädiktive Diagnosemodelle entwickeln.
Was es ist
Es liest Patientenakten ein, bewältigt Klassenungleichgewichte durch SMOTE und Klassengewichtung, führt Hyperparameter-Optimierungen durch und führt eine fünffache Kreuzvalidierung aus. Sie bewerten Modelle anhand von Metriken wie Genauigkeit, Sensitivität (Recall), F1-Score und ROC-AUC, anstatt sich nur auf die Genauigkeit zu verlassen.
Für wen
Es eignet sich für Data Scientists und Gesundheitsanalysten, die klinische Risikovorhersagemodelle in Python entwickeln. Es ist nicht geeignet für nicht-technische Ärzte oder Teams, die sofort eine produktionsbereite Webanwendung benötigen.
Wichtige Funktionen
Multi-Modell-Vergleich
Evaluiert Logistische Regression, Random Forest, Entscheidungsbaum, Gradient Boosting, LightGBM, AdaBoost und MLP-Neuronale Netze.
Umgang mit Klassenungleichgewichten
Wendet SMOTE und Klassengewichtung an, um die Erkennung von Minderheitsklassen bei kardialen Hochrisikoereignissen zu verbessern.
Hyperparameter-Optimierung
Optimiert Modellkonfigurationen zusammen mit einer fünffachen Kreuzvalidierung, um Overfitting zu reduzieren.
Umfassende Metriken
Misst die Leistung anhand von Genauigkeit, Präzision, Sensitivität (Recall), F1-Score, ROC-AUC und Konfusionsmatrizen.
Startklar in 3 Schritten
Unser ehrliches Fazit
Stärken
- Vergleicht sieben verschiedene überwachte Modelle des maschinellen Lernens in einem einzigen Framework.
- Enthält explizite Schritte zum Umgang mit Klassenungleichgewichten mittels SMOTE.
- Wendet eine fünffache Kreuzvalidierung an, um sich vor Overfitting zu schützen.
- Bewertet die klinische Leistung über die einfache Genauigkeit hinaus mithilfe von Recall und F1-Score.
Schwächen
- Es fehlt eine angegebene Open-Source-Lizenz in den Metadaten des Repositorys.
- Erfordert das Schreiben und Ausführen von Python-Code in Jupyter Notebooks.
- Enthält keine Produktions-Webbereitstellungsschnittstelle oder API-Endpunkt.
Preise & Lizenz
Der Code steht zum Download bereit, obwohl das Repository keine spezifische Open-Source-Lizenz angibt. Im README werden keine kostenpflichtigen Hosting-Optionen erwähnt, sodass die einzigen Kosten in Ihrer Zeit für die Ausführung bestehen.
Stellen für Deutschsprachige
876 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$170 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Alternativen
Nutze es, oder lass es uns einrichten
FAQ
Welchen Datensatz verwendet das Framework?
Es verwendet einen über Kaggle bezogenen Datensatz zur Herzinfarktrisiko-Vorhersage mit demografischen, physiologischen und klinischen Variablen.
Welche Algorithmen des maschinellen Lernens werden verglichen?
Das Framework vergleicht Logistische Regression, Random Forest, Entscheidungsbaum, Gradient Boosting, LightGBM, AdaBoost und MLP-Neuronale Netze.
Wie geht das Framework mit Klassenungleichgewichten um?
Es verwendet während des Trainingsprozesses die Synthetic Minority Oversampling Technique (SMOTE) und Klassengewichtung.
