A-Comparative-Machine-Learning-Framework-for-Heart-Attack-Risk-Prediction-Using-Data-Preprocessing
Compare modelos de aprendizado de máquina para previsão de risco clínico.
Pipeline de ML comparativo com SMOTE, validação cruzada e avaliação de múltiplos modelos.
Este framework em Python open source compara algoritmos de aprendizado de máquina supervisionado para prever o risco de ataque cardíaco usando dados demográficos, de estilo de vida e clínicos de pacientes. É adequado para cientistas de dados e pesquisadores da área da saúde que constroem modelos de diagnóstico preditivo.
O que é
Ele ingere registros de pacientes, lida com desbalanceamento de classes via SMOTE e ponderação de classes, realiza otimização de hiperparâmetros e executa validação cruzada de cinco pastas. Você avalia modelos usando métricas como acurácia, revocação, pontuação F1 e ROC-AUC, em vez de depender apenas da acurácia.
Para quem
É adequado para cientistas de dados e analistas de saúde que desenvolvem modelos de previsão de risco clínico em Python. Não é adequado para médicos não técnicos ou equipes que precisam de um aplicativo web pronto para produção.
Recursos principais
Comparação de Múltiplos Modelos
Avalia Regressão Logística, Random Forest, Árvore de Decisão, Gradient Boosting, LightGBM, AdaBoost e Redes Neurais MLP.
Tratamento de Desbalanceamento de Classes
Aplica SMOTE e ponderação de classes para melhorar a detecção da classe minoritária em eventos cardíacos de alto risco.
Otimização de Hiperparâmetros
Ajusta configurações de modelos juntamente com validação cruzada de cinco pastas para reduzir o overfitting.
Métricas Abrangentes
Mede o desempenho usando acurácia, precisão, revocação, pontuação F1, ROC-AUC e matrizes de confusão.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Compara sete modelos distintos de aprendizado de máquina supervisionado em um único framework.
- Inclui etapas explícitas para lidar com o desbalanceamento de classes com SMOTE.
- Aplica validação cruzada de cinco pastas para se proteger contra o overfitting.
- Avalia o desempenho clínico além da acurácia básica usando revocação e pontuação F1.
Onde deixa a desejar
- Falta uma licença open source declarada nos metadados do repositório.
- Exige escrever e executar código Python dentro de Jupyter Notebooks.
- Não inclui uma interface de implantação web de produção ou endpoint de API.
Preços & licença
O código está disponível para download, embora o repositório não especifique uma licença open source específica. Não há opções hospedadas pagas mencionadas no README, portanto, o único custo é o seu tempo para executá-lo.
Vagas para quem fala português
873 vagas remotas abertas de treinamento de IA, atualizadas em 15 de novembro de 2026; a maioria paga $20–$170 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Alternativas
Use, ou deixe que a gente configure
FAQ
Qual conjunto de dados o framework utiliza?
Ele usa um conjunto de dados de previsão de risco de ataque cardíaco obtido no Kaggle contendo variáveis demográficas, fisiológicas e clínicas.
Quais algoritmos de aprendizado de máquina são comparados?
O framework compara Regressão Logística, Random Forest, Árvore de Decisão, Gradient Boosting, LightGBM, AdaBoost e Redes Neurais MLP.
Como o framework lida com o desbalanceamento de classes?
Ele usa a Técnica de Sobreamostragem de Minoria Sintética (SMOTE) e ponderação de classes durante o processo de treinamento.
