Naive Bayes et Régression Logistique Maladie Cardiaque
Ce projet implémente et compare plusieurs algorithmes de classification pour la prédiction de maladie cardiaque: variantes Naive Bayes (Gaussian, Categorical et Mixed) et Régression Logistique. Le projet démontre différentes approches pour gérer des types de données mixtes (numériques, catégorielles, ordinales, binaires) et réglage d'hyperparamètres complet utilisant GridSearchCV. Chaque modèle est évalué sur le jeu de données Heart Disease UCI avec pipelines de prétraitement appropriés et validation croisée. Le projet présente des stratégies de prétraitement spécifiques au modèle, gestion de compatibilité solveur-pénalité et métriques d'évaluation complètes.
Aperçu
Ce projet implémente et compare plusieurs algorithmes de classification pour la prédiction de maladie cardiaque: variantes Naive Bayes (Gaussian, Categorical et Mixed) et Régression Logistique. Le projet démontre différentes approches pour gérer des types de données mixtes (numériques, catégorielles, ordinales, binaires) et réglage d'hyperparamètres complet utilisant GridSearchCV. Chaque modèle est évalué sur le jeu de données Heart Disease UCI avec pipelines de prétraitement appropriés et validation croisée. Le projet présente des stratégies de prétraitement spécifiques au modèle, gestion de compatibilité solveur-pénalité et métriques d'évaluation complètes.
Fonctionnalités clés
pages.portfolio.projects.heart_disease_naive_bayes_logistic.features.0
Régression Logistique avec réglage d'hyperparamètres
Stratégies de prétraitement spécifiques au modèle
Réglage d'hyperparamètres complet avec GridSearchCV
Validation croisée pour évaluation robuste
Gestion de compatibilité solveur-pénalité
Suite complète de métriques d'évaluation
Gestion de types de données mixtes (numérique, catégoriel, ordinal, binaire)
pages.portfolio.projects.heart_disease_naive_bayes_logistic.features.8
Principales fonctionnalités
Comparaison de plusieurs variantes Naive Bayes et Régression Logistique sur données de maladie cardiaque
Implémentation de prétraitement spécifique au modèle pour performance optimale
Gestion de problèmes de compatibilité solveur-pénalité dans Régression Logistique
Atteinte de performance forte avec modèles réglés
Évaluation complète avec validation croisée
pages.portfolio.projects.heart_disease_naive_bayes_logistic.highlights.5
Défis et solutions
Types de Données Mixtes
Gestion de variables numériques, catégorielles, ordinales et binaires avec prétraitement approprié
Compatibilité Solveur-Pénalité
Gestion de combinaisons solveur et pénalité dans Régression Logistique pour performance optimale
Comparaison de Modèles
Comparaison de plusieurs algorithmes avec métriques d'évaluation équitables et prétraitement
Technologies
ML Models
Tuning
Preprocessing
Pipeline
Data
Environment
Informations du projet
- Statut
- Completed
- Année
- 2024
- Architecture
- Expérimentation ML avec plusieurs classificateurs et stratégies de prétraitement
- Category
- Data Science