A-Comparative-Machine-Learning-Framework-for-Heart-Attack-Risk-Prediction-Using-Data-Preprocessing
Compara modelos de aprendizaje automático para la predicción de riesgo clínico.
Canalización de ML comparativa que incluye SMOTE, validación cruzada y evaluación de múltiples modelos.
Este marco de Python de código abierto compara algoritmos de aprendizaje automático supervisado para predecir el riesgo de infarto utilizando datos demográficos, de estilo de vida y clínicos de pacientes. Es adecuado para científicos de datos e investigadores sanitarios que construyen modelos de diagnóstico predictivo.
Qué es
Ingiere historiales de pacientes, gestiona el desequilibrio de clases mediante SMOTE y ponderación de clases, realiza optimización de hiperparámetros y ejecuta validación cruzada de cinco pliegues. Evalúa los modelos mediante métricas como precisión, recuperación, puntuación F1 y ROC-AUC en lugar de depender únicamente de la precisión.
Para quién
Es adecuado para científicos de datos y analistas sanitarios que desarrollan modelos de predicción de riesgo clínico en Python. No es adecuado para clínicos sin perfil técnico o equipos que necesiten una aplicación web lista para producción desde el primer momento.
Funciones clave
Comparación de Múltiples Modelos
Evalúa Regresión Logística, Random Forest, Árbol de Decisión, Gradient Boosting, LightGBM, AdaBoost y Redes Neuronales MLP.
Gestión del Desequilibrio de Clases
Aplica SMOTE y ponderación de clases para mejorar la detección de la clase minoritaria en eventos cardíacos de alto riesgo.
Optimización de Hiperparámetros
Ajusta las configuraciones de los modelos junto con la validación cruzada de cinco pliegues para reducir el sobreajuste.
Métricas Exhaustivas
Mide el rendimiento utilizando precisión, recuperación, puntuación F1, ROC-AUC y matrices de confusión.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Compara siete modelos distintos de aprendizaje automático supervisado en un único marco.
- Incluye pasos explícitos para gestionar el desequilibrio de clases con SMOTE.
- Aplica validación cruzada de cinco pliegues para protegerse contra el sobreajuste.
- Evalúa el rendimiento clínico más allá de la precisión básica utilizando la recuperación y la puntuación F1.
Sus límites
- Carece de una licencia de código abierto declarada en los metadatos del repositorio.
- Requiere escribir y ejecutar código Python dentro de Jupyter Notebooks.
- No incluye una interfaz de despliegue web de producción ni un punto de conexión de API.
Precios y licencia
El código está disponible para su descarga, aunque el repositorio no especifica una licencia de código abierto concreta. No se mencionan opciones de alojamiento de pago en el README, por lo que el único coste es el tiempo dedicado a su ejecución.
Empleos para hispanohablantes
874 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$170 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Úsalo, o deja que lo configuremos
FAQ
¿Qué conjunto de datos utiliza el marco?
Utiliza un conjunto de datos de predicción de riesgo de infarto obtenido de Kaggle que contiene variables demográficas, fisiológicas y clínicas.
¿Qué algoritmos de aprendizaje automático se comparan?
El marco compara Regresión Logística, Random Forest, Árbol de Decisión, Gradient Boosting, LightGBM, AdaBoost y Redes Neuronales MLP.
¿Cómo gestiona el marco el desequilibrio de clases?
Utiliza la técnica de sobremuestreo de minorías sintéticas (SMOTE) y la ponderación de clases durante el proceso de entrenamiento.
