Sfoglia categorie
Esplora
Fiverr Pro
Italiano
$
USD
Creerò un modello di classificazione binaria per la rilevazione del cancro
Data Scientist
Sono uno scienziato dei dati analitico, orientato ai processi, con esperienza pratica in machine learning, deep learning, time series, NLP e computer vision. Ho una comprovata capacità di tradurre dat...
Informazioni su questo servizio
Obiettivo: classificazione binaria con enfasi sulla minimizzazione dei falsi negativi.
Metriche: Priorità al Recall; ottimizzazione della soglia basata sul costo degli errori.
Processo: pulizia dei dati, selezione delle caratteristiche, calibrazione e verificabilità delle decisioni.
È richiesto un dataset con più variabili da usare come features per una diagnosi corretta (etichetta) come rilevamento del cancro (test positivo) o assenza di cancro (test negativo).
Le features sono standardizzate per garantire uniformità di scala dei valori, in modo che possano essere fatte correlazioni tra le features, oltre alla previsione dell'esito come rilevamento o assenza di cancro. Qualsiasi valore nullo di una feature viene imputato/sostituito con valori mediani o centrali tipici della feature stessa.
Il modello utilizzato è LogisticRegression per eseguire la classificazione binaria, dove l'esito è 1 come rilevamento del cancro o 0 come assenza di cancro. La valutazione della previsione avviene secondo il punteggio di accuratezza, precisione e soprattutto recall per garantire falsi positivi minimi (alta precisione) e falsi negativi minimi (alto recall) in modo che venga fatta una diagnosi corretta (né falsi rilevamenti né false affermazioni di assenza di cancro).
Linguaggio di programmazione:
Python
•
R
•
SQL
•
Colab
•
MLflow
Framework:
Scikit-learn
•
DeepPy
•
keras
•
PyTorch
•
Panda
Il mio portfolio
Altri servizi della categoria Data science e ML offerti da me
FAQ
Traduzione automatica.
1. Che tipo di dati devo fornire per questo servizio?
Devi fornire un dataset pulito contenente più variabili (ad esempio, segni vitali del paziente, risultati di laboratorio, caratteristiche numeriche) insieme a una colonna target che rappresenti un esito binario (ad esempio, 1 per cancro rilevato, 0 per nessun cancro).
2. Come verranno gestiti i valori mancanti nel mio dataset?
I valori mancanti nelle caratteristiche numeriche vengono imputati usando tendenze centrali robuste, come la mediana della feature. Questo metodo evita la perdita di dati mantenendo la distribuzione originale delle caratteristiche cliniche.
3. Perché è necessaria la standardizzazione delle feature per questo modello?
La standardizzazione delle caratteristiche numeriche scala tutte le variabili in un intervallo uniforme. Questo permette al modello Logistic Regression di convergere in modo efficiente, garantisce una distribuzione equa dei pesi delle feature e consente un'analisi accurata delle correlazioni tra le feature.
4. Perché si dà priorità al Recall rispetto all'accuratezza in questo progetto?
Nella diagnostica medica come il rilevamento del cancro, un falso negativo (dichiarare un paziente sano quando in realtà ha il cancro) è molto più critico di un falso positivo. Ottimizzando e regolando la soglia del Recall, minimizziamo il rischio di perdere casi positivi veri.
5. Come regoli la soglia decisionale per il modello Logistic Regression?
Invece di usare la soglia di probabilità predefinita di 0,5, questa viene regolata in base al costo relativo degli errori. Calibriamo il limite decisionale per trovare il miglior equilibrio tra alto Recall (minimizzare i falsi negativi) e alta Precision (limitare falsi allarmi inutili).
6. Riceverò un modello interpretabile e un codice riproducibile?
Sì, con l'acquisto del pacchetto Premium riceverai codice pulito e documentato che copre preprocessing dei dati, scaling delle feature, training del modello, regolazione della soglia e metriche di valutazione (Accuracy, Precision, Recall, Confusion Matrix) per garantire completa verificabilità.
