Je vais construire un classificateur ML pour la prédiction du sous-type de cancer à partir de données d'expression génique

Avez-vous des données d'expression génique étiquetées et besoin

d'un classificateur d'apprentissage automatique pour prédire les sous-types de cancer

ou les résultats des patients ?

Je vais créer une pipeline de classification ML complète

adaptée à votre jeu de données génomiques.

CE QUE VOUS OBTENEZ :

- Prétraitement et normalisation des données

- Sélection de caractéristiques pour identifier les gènes les plus informatifs

- Comparaison de plusieurs algorithmes (Random Forest, SVM,

 Gradient Boosting, KNN)

- Évaluation de la précision par validation croisée

- Matrice de confusion et rapport de classification

- Visualisation de l'importance des caractéristiques

- Modèle prêt pour la production, sauvegardé

MON EXPÉRIENCE :

J'ai construit un classificateur de sous-types de cancer du sein à partir de données d'expression génique avec une précision de 85,2 % en validation croisée en utilisant SVM. J'ai classé 4 sous-types :

LuminalA, LuminalB, HER2, TripleNégatif.

Pipeline complet disponible sur GitHub.

CE QUE J'ATTENDS DE VOUS :

- Matrice d'expression génique (échantillons x gènes)

- Étiquettes de sous-type ou de résultat pour chaque échantillon

- Nombre de classes à prédire

- Gènes ou voies importantes connues

OUTILS : Python, scikit-learn, Pandas, numpy,

    matplotlib, seaborn, joblib, Linux, Git