Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Il semble que ce service ait été suspendu
Je vais créer un modèle de classification binaire pour la détection du cancer
Canada
Je parle Anglais, Ourdou, Français
Scientifique des données
Je suis un Data Scientist analytique, orienté processus, avec une expérience pratique en machine learning, deep learning, séries temporelles, NLP et vision par ordinateur. J’ai une capacité avérée à t...
À propos de ce service
Objectif : classification binaire en mettant l’accent sur la minimisation des faux négatifs.
Indicateurs : priorité à la recall ; ajustement du seuil basé sur le coût des erreurs.
Processus : nettoyage des données, sélection des caractéristiques, calibration et auditabilité des décisions.
Il est nécessaire de disposer d’un jeu de données avec plusieurs variables à utiliser comme caractéristiques pour un diagnostic approprié (étiquette) en tant que détection du cancer (test positif) ou absence de cancer (test négatif).
Les caractéristiques sont standardisées pour assurer une uniformité de l’échelle des valeurs, afin que des corrélations puissent être établies entre elles, en plus de la prédiction du résultat comme détection ou absence de cancer. Toute valeur null d’une caractéristique est imputée/remplacée par la médiane ou une valeur centrale typique de cette caractéristique.
Le modèle utilisé est le modèle LogisticRegression pour effectuer une classification binaire, où le résultat est soit 1 pour la détection du cancer, soit 0 pour l’absence de cancer. L’évaluation de la prédiction se fait selon le score de précision, ainsi que la recall, afin d’assurer une minimisation des faux positifs (haute précision) et des faux négatifs (haute recall) pour un diagnostic précis (ni détection fausse ni omission de cancer).
Mon portfolio
FAQ
Traduction automatique
1. Quel type de données dois-je fournir pour cette commande ?
Vous devez fournir un jeu de données propre contenant plusieurs variables (par exemple, signes vitaux du patient, résultats de laboratoire, caractéristiques numériques) ainsi qu’une colonne cible représentant un résultat binaire (par exemple, 1 pour cancer détecté, 0 pour absence de cancer).
2. Comment seront traitées les valeurs manquantes dans mon jeu de données ?
Les valeurs manquantes dans les caractéristiques numériques sont imputées en utilisant des tendances centrales robustes, comme la médiane de la caractéristique. Cette approche évite la perte de données tout en conservant la distribution originale de vos caractéristiques cliniques.
3. Pourquoi la standardisation des caractéristiques est-elle nécessaire pour ce modèle ?
La standardisation des caractéristiques numériques met toutes les variables à l’échelle dans une plage uniforme. Cela permet à la Logistic Regression de converger efficacement, garantit une répartition équitable des poids des caractéristiques, et facilite une analyse précise des corrélations entre caractéristiques.
4. Pourquoi la recall est-elle prioritaire par rapport à la précision pour ce projet ?
Dans le diagnostic médical comme la détection du cancer, un faux négatif (affirmer qu’un patient est en bonne santé alors qu’il a en réalité un cancer) est beaucoup plus critique qu’un faux positif. En optimisant et en ajustant le seuil pour la recall, nous minimisons le risque de manquer de vrais cas positifs.
5. Comment ajustez-vous le seuil de décision pour le modèle Logistic Regression ?
Plutôt que d’utiliser le seuil de probabilité par défaut de 0,5, le seuil est ajusté en fonction du coût relatif des erreurs. Nous calibrons la limite de décision pour trouver le meilleur équilibre entre une haute recall (minimiser les faux négatifs) et une haute précision (limiter les fausses alarmes inutiles).
6. Vais-je recevoir un modèle interprétable et un code reproductible ?
Oui, avec l’achat du package Premium, vous recevrez un code propre et documenté couvrant le prétraitement des données, la mise à l’échelle des caractéristiques, l’entraînement du modèle, l’ajustement du seuil et les métriques d’évaluation (Précision, Recall, Matrice de confusion) pour garantir une auditabilité complète.
