A-Comparative-Machine-Learning-Framework-for-Heart-Attack-Risk-Prediction-Using-Data-Preprocessing
Сравнение моделей машинного обучения для прогнозирования клинических рисков.
Сравнительный конвейер машинного обучения с SMOTE, перекрестной проверкой и оценкой нескольких моделей.
Этот Python-фреймворк с открытым исходным кодом сравнивает алгоритмы контролируемого машинного обучения для прогнозирования риска сердечного приступа на основе демографических, образных и клинических данных пациентов. Он подходит дата-саентистам и исследователям в области здравоохранения, создающим предиктивные диагностические модели.
Что это
Он принимает записи пациентов, обрабатывает дисбаланс классов с помощью SMOTE и весов классов, выполняет оптимизацию гиперпараметров и запускает пятиблочную перекрестную проверку. Вы оцениваете модели по таким метрикам, как точность, полнота, F1-мера и ROC-AUC, вместо того чтобы полагаться только на точность.
Для кого
Он подходит дата-саентистам и медицинским аналитикам, разрабатывающим модели прогнозирования клинических рисков на Python. Он не подходит нетехническим клиницистам или командам, которым требуется готовое веб-приложение для продакшна.
Ключевые возможности
Сравнение нескольких моделей
Оценивает логистическую регрессию, случайный лес, дерево решений, градиентный бустинг, LightGBM, AdaBoost и многослойный перцептрон (MLP).
Обработка дисбаланса классов
Применяет SMOTE и взвешивание классов для улучшения обнаружения редкого класса для событий высокого сердечного риска.
Оптимизация гиперпараметров
Настраивает конфигурации моделей наряду с пятиблочной перекрестной проверкой для снижения переобучения.
Комплексные метрики
Измеряет производительность с помощью точности, аккуратности, полноты, F1-меры, ROC-AUC и матриц ошибок.
Готово за 3 шага
Наш честный вердикт
Плюсы
- Сравнивает семь различных моделей контролируемого машинного обучения в рамках единого фреймворка.
- Включает явные шаги для работы с дисбалансом классов с помощью SMOTE.
- Применяет пятиблочную перекрестную проверку для защиты от переобучения.
- Оценивает клиническую эффективность не только по базовой точности, но и по полноте и F1-мере.
Минусы
- В метаданных репозитория отсутствует заявленная лицензия open source.
- Требуется написание и выполнение кода Python внутри Jupyter Notebooks.
- Не включает интерфейс веб-развертывания для продакшна или конечную точку API.
Цены и лицензия
Код доступен для скачивания, хотя в репозитории не указана конкретная лицензия open source. В README не упомянуты платные хостинговые варианты, поэтому единственные затраты — это ваше время на его запуск.
Вакансии для носителей русского языка
876 открытых удалённых вакансий по обучению ИИ, обновлено 15 ноября 2026 г.; в большинстве оплата $20–$170 в час. Из них 2 — для носителей русского языка. Zekai публикует их бесплатно; отклик уходит на платформу работодателя.
Альтернативы
Используйте сами или мы всё настроим
Вопросы
Какой набор данных использует фреймворк?
Он использует набор данных для прогнозирования риска сердечного приступа, полученный с Kaggle и содержащий демографические, физиологические и клинические переменные.
Какие алгоритмы машинного обучения сравниваются?
Фреймворк сравнивает логистическую регрессию, случайный лес, дерево решений, градиентный бустинг, LightGBM, AdaBoost и нейронные сети MLP.
Как фреймворк справляется с дисбалансом классов?
Он использует метод синтетического передискретизации меньшинства (SMOTE) и веса классов в процессе обучения.
