A-Comparative-Machine-Learning-Framework-for-Heart-Attack-Risk-Prediction-Using-Data-Preprocessing
Comparez des modèles d'apprentissage automatique pour la prédiction des risques cliniques.
Pipeline ML comparatif comprenant SMOTE, validation croisée et évaluation multi-modèle.
Ce framework Python open source compare des algorithmes d'apprentissage automatique supervisé pour prédire le risque de crise cardiaque en utilisant des données démographiques, de mode de vie et cliniques des patients. Il convient aux data scientists et aux chercheurs en santé qui développent des modèles de diagnostic prédictif.
Qu'est-ce que c'est
Il intègre les dossiers des patients, gère le déséquilibre des classes via SMOTE et la pondération des classes, effectue l'optimisation des hyperparamètres et exécute une validation croisée à cinq plis. Vous évaluez les modèles selon des métriques telles que l'exactitude, le rappel, le score F1 et le ROC-AUC plutôt que de vous fier uniquement à l'exactitude.
Pour qui
Il convient aux data scientists et aux analystes de données de santé qui développent des modèles de prédiction des risques cliniques en Python. Il ne convient pas aux cliniciens non techniques ou aux équipes ayant besoin d'une application web prête pour la production clé en main.
Fonctionnalités clés
Comparaison multi-modèle
Évalue la régression logistique, Random Forest, Decision Tree, Gradient Boosting, LightGBM, AdaBoost et les réseaux de neurones MLP.
Gestion du déséquilibre des classes
Applique SMOTE et la pondération des classes pour améliorer la détection de la classe minoritaire pour les événements cardiaques à haut risque.
Optimisation des hyperparamètres
Règle les configurations des modèles parallèlement à une validation croisée à cinq plis pour réduire le surapprentissage.
Métriques complètes
Mesure les performances à l'aide de l'exactitude, de la précision, du rappel, du score F1, du ROC-AUC et des matrices de confusion.
Opérationnel en 3 étapes
Notre verdict honnête
Ses atouts
- Compare sept modèles distincts d'apprentissage automatique supervisé dans un seul framework.
- Comprend des étapes explicites pour gérer le déséquilibre des classes avec SMOTE.
- Applique une validation croisée à cinq plis pour se prémunir contre le surapprentissage.
- Évalue les performances cliniques au-delà de la simple exactitude en utilisant le rappel et le score F1.
Ses limites
- Manque d'une licence open source déclarée dans les métadonnées du dépôt.
- Nécessite d'écrire et d'exécuter du code Python dans des Jupyter Notebooks.
- N'inclut pas d'interface de déploiement web de production ni de point de terminaison API.
Tarifs & licence
Le code est disponible au téléchargement, bien que le dépôt n'indique pas de licence open source spécifique. Aucune option hébergée payante n'est mentionnée dans le README, le seul coût est donc votre temps d'exécution.
Missions pour francophones
876 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$170 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.
Alternatives
Utilisez-le, ou laissez-nous l'installer
FAQ
Quel jeu de données le framework utilise-t-il ?
Il utilise un jeu de données de prédiction du risque de crise cardiaque obtenu sur Kaggle contenant des variables démographiques, physiologiques et cliniques.
Quels algorithmes d'apprentissage automatique sont comparés ?
Le framework compare la régression logistique, Random Forest, Decision Tree, Gradient Boosting, LightGBM, AdaBoost et les réseaux de neurones MLP.
Comment le framework gère-t-il le déséquilibre des classes ?
Il utilise la technique de suréchantillonnage des minorités synthétiques (SMOTE) et la pondération des classes pendant le processus d'entraînement.
