A-Comparative-Machine-Learning-Framework-for-Heart-Attack-Risk-Prediction-Using-Data-Preprocessing
Klinik risk tahmini için makine öğrenmesi modellerini karşılaştırın.
SMOTE, çapraz doğrulama ve çoklu model değerlendirmesi içeren karşılaştırmalı ML boru hattı.
Bu açık kaynaklı Python çerçevesi; hasta demografik verilerini, yaşam tarzı ve klinik verilerini kullanarak kalp krizi riskini tahmin etmek için denetimli makine öğrenmesi algoritmalarını karşılaştırır. Tahmini tanı modelleri oluşturan veri bilimcilere ve sağlık araştırmacılarına uygundur.
Nedir
Hasta kayıtlarını alır, SMOTE ve sınıf ağırlıklandırma yoluyla sınıf dengesizliğini yönetir, hiperparametre optimizasyonu gerçekleştirir ve beş katlı çapraz doğrulama çalıştırır. Modelleri yalnızca doğruluğa güvenmek yerine doğruluk, duyarlılık, F1 skoru ve ROC-AUC gibi metrikler üzerinden değerlendirirsiniz.
Kimler için
Python'da klinik risk tahmin modelleri geliştiren veri bilimcilere ve veri analistlerine uygundur. Teknik olmayan klinisyenlere veya kutudan çıktığı gibi üretime hazır bir web uygulamasına ihtiyaç duyan ekiplere uygun değildir.
Temel özellikler
Çoklu Model Karşılaştırması
Lojistik Regresyon, Rastgele Orman, Karar Ağacı, Gradient Boosting, LightGBM, AdaBoost ve MLP Sinir Ağlarını değerlendirir.
Sınıf Dengesizliği Yönetimi
Yüksek riskli kardiyak olaylar için azınlık sınıfı tespiti iyileştirmek amacıyla SMOTE ve sınıf ağırlıklandırma uygular.
Hiperparametre Optimizasyonu
Aşırı öğrenmeyi (overfitting) azaltmak için beş katlı çapraz doğrulama ile birlikte model yapılandırmalarını ayarlar.
Kapsamlı Metrikler
Doğruluk, hassasiyet, duyarlılık, F1 skoru, ROC-AUC ve karmaşıklık matrislerini kullanarak performansı ölçer.
3 adımda hazır
Dürüst kararımız
Artıları
- Tek bir çerçevede yedi farklı denetimli makine öğrenmesi modelini karşılaştırır.
- SMOTE ile sınıf dengesizliğini ele almak için açık adımlar içerir.
- Aşırı öğrenmeye karşı koruma sağlamak için beş katlı çapraz doğrulama uygular.
- Temel doğruluğun ötesinde duyarlılık ve F1 skoru kullanarak klinik performansı değerlendirir.
Eksileri
- Depo meta verilerinde belirtilen bir açık kaynak lisansı yoktur.
- Jupyter Notebook içinde Python kodu yazılmasını ve yürütülmesini gerektirir.
- Üretime yönelik bir web dağıtım arayüzü veya API uç noktası içermez.
Fiyatlar & lisans
Kod indirilebilir durumdadır, ancak depo belirli bir açık kaynak lisansı belirtmemektedir. README içinde ücretli barındırılan seçeneklerden bahsedilmemektedir, bu nedenle tek maliyet onu çalıştırmak için harcadığınız zamandır.
Türkçe konuşanlar için işler
876 açık uzaktan yapay zeka eğitimi işi, 15 Kasım 2026 tarihinde güncellendi; çoğu saatlik $20–$170 ödüyor. Bunların 2 tanesi Türkçe konuşanlar için. Zekai ücretsiz listeler; başvuru işverenin platformunda yapılır.
Alternatifler
Kullanın ya da biz kuralım
SSS
Çerçeve hangi veri setini kullanır?
Kaggle'dan elde edilen ve demografik, fizyolojik ve klinik değişkenler içeren bir Kalp Krizi Riski Tahmini Veri Seti kullanır.
Hangi makine öğrenmesi algoritmaları karşılaştırılır?
Çerçeve; Lojistik Regresyon, Rastgele Orman, Karar Ağacı, Gradient Boosting, LightGBM, AdaBoost ve MLP Sinir Ağlarını karşılaştırır.
Çerçeve sınıf dengesizliğini nasıl ele alır?
Eğitim süreci sırasında Sentetik Azınlık Örnekleme Tekniği'ni (SMOTE) ve sınıf ağırlıklandırmayı kullanır.
