Herz-Krankheits Naive Bayes & Logistische Regression
Dieses Projekt implementiert und vergleicht mehrere Klassifikationsalgorithmen für Herz-Krankheits-Vorhersage: Naive Bayes-Varianten (Gaussian, Categorical und Mixed) und Logistische Regression. Das Projekt demonstriert verschiedene Ansätze zur Handhabung gemischter Datentypen (numerisch, kategorisch, ordinal, binär) und umfassendes Hyperparameter-Tuning mit GridSearchCV. Jedes Modell wird auf dem Heart Disease UCI-Datensatz mit ordnungsgemäßen Präprozessierungs-Pipelines und Kreuzvalidierung evaluiert. Das Projekt zeigt modellspezifische Präprozessierungsstrategien, Solver-Penalty-Kompatibilitätsbehandlung und umfassende Evaluierungsmetriken.
Übersicht
Dieses Projekt implementiert und vergleicht mehrere Klassifikationsalgorithmen für Herz-Krankheits-Vorhersage: Naive Bayes-Varianten (Gaussian, Categorical und Mixed) und Logistische Regression. Das Projekt demonstriert verschiedene Ansätze zur Handhabung gemischter Datentypen (numerisch, kategorisch, ordinal, binär) und umfassendes Hyperparameter-Tuning mit GridSearchCV. Jedes Modell wird auf dem Heart Disease UCI-Datensatz mit ordnungsgemäßen Präprozessierungs-Pipelines und Kreuzvalidierung evaluiert. Das Projekt zeigt modellspezifische Präprozessierungsstrategien, Solver-Penalty-Kompatibilitätsbehandlung und umfassende Evaluierungsmetriken.
Schlüsselfunktionen
pages.portfolio.projects.heart_disease_naive_bayes_logistic.features.0
Logistische Regression mit Hyperparameter-Tuning
Modellspezifische Präprozessierungsstrategien
Umfassendes Hyperparameter-Tuning mit GridSearchCV
Kreuzvalidierung für robuste Evaluierung
Solver-Penalty-Kompatibilitätsbehandlung
Vollständige Evaluierungsmetrik-Suite
Gemischte Datentyp-Behandlung (numerisch, kategorisch, ordinal, binär)
pages.portfolio.projects.heart_disease_naive_bayes_logistic.features.8
Technische Highlights
Vergleich mehrerer Naive Bayes-Varianten und Logistische Regression auf Herz-Krankheits-Daten
Implementierung modellspezifischer Präprozessierung für optimale Performance
Handhabung von Solver-Penalty-Kompatibilitätsproblemen in Logistischer Regression
Erreichung starker Performance mit abgestimmten Modellen
Umfassende Evaluierung mit Kreuzvalidierung
pages.portfolio.projects.heart_disease_naive_bayes_logistic.highlights.5
Herausforderungen und Lösungen
Gemischte Datentypen
Handhabung numerischer, kategorischer, ordinaler und binärer Variablen mit angemessener Präprozessierung
Solver-Penalty-Kompatibilität
Verwaltung von Solver- und Penalty-Kombinationen in Logistischer Regression für optimale Performance
Modell-Vergleich
Vergleich mehrerer Algorithmen mit fairen Evaluierungsmetriken und Präprozessierung
Technologien
ML Models
Tuning
Preprocessing
Pipeline
Data
Environment
Projektinformationen
- Status
- Completed
- Jahr
- 2024
- Architektur
- ML-Experimentierung mit mehreren Klassifikatoren und Präprozessierungsstrategien
- Category
- Data Science