Costruirò un classificatore ml per la previsione del sottotipo di cancro dai dati di espressione genica

Hai dati di espressione genica etichettati e hai bisogno di

un classificatore di machine learning per prevedere i sottotipi di cancro

o gli esiti dei pazienti?

Costruirò una pipeline completa di classificazione ML

su misura per il tuo dataset genomico.

COSA OTTIENI:

- Preprocessing e normalizzazione dei dati

- Selezione delle caratteristiche per identificare i geni più informativi

- Confronto tra più algoritmi (Random Forest, SVM,

 Gradient Boosting, KNN)

- Valutazione dell'accuratezza con cross-validation

- Matrice di confusione e rapporto di classificazione

- Visualizzazione dell'importanza delle caratteristiche

- Modello pronto per la produzione salvato

LA MIA ESPERIENZA:

Ho costruito un classificatore di sottotipi di cancro al seno sui dati di espressione genica

raggiungendo un'accuratezza del 85,2% con cross-validation

usando SVM. Ho classificato 4 sottotipi:

LuminalA, LuminalB, HER2, TriploNegativo.

Pipeline completa su GitHub.

COSA MI SERVE DA TE:

- Matrice di espressione genica (campioni x geni)

- Etichette di sottotipo o esito per ogni campione

- Numero di classi da prevedere

- Eventuali geni o percorsi importanti noti

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

    matplotlib, seaborn, joblib, Linux, Git