| Код | 630146 |
| Дата создания | 2024 |
|
Мы сможем обработать ваш заказ (!) 21 октября в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
|
|
Целью исследования является построение ансамблированной модели, способной решить прикладную задачу диагностики заболеваний. Для достижения цели предполагается проанализировать предметную область, провести отбор и очистку данных, изучить различные ансамблевые методы машинного обучения и их применимость к выбранному набору данных.
Кроме того, планируется создание, обучение и тестирование моделей на основе выбранного набора данных о сердечно-сосудистых заболеваниях. После тестирования системы и оценки ее эффективности будут проведены оптимизация моделей для достижения наилучших результатов.
Исследование включает в себя три главы, а также введение, заключение, библиографию и приложение. Объем работы составляет 34 страницы, содержащих 11 источников. Используемый набор данных о сердечно-сосудистых заболеваниях объединяет информацию из нескольких источников и может быть использован для прогнозирования риска возникновения заболеваний сердца. Набор данных доступен в формате *.csv по ссылке: https://www.kaggle.com/datasets/fedesoriano/heart-failure-prediction/data
ВВЕДЕНИЕ. 3
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ.. 5
1.1. Выбор набора данных. 5
1.2. Анализ и очистка набора данных. 7
1.3. Обзор ансамблевых методов машинного обучения. 20
2. ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ.. 22
2.1. Формирование обучающей и тестовой выборок. 22
2.2. Создание и обучение моделей, получение предсказаний. 23
3. ТЕСТИРОВАНИЕ. 26
3.1. Сравнение полученных моделей. 26
3.2. Оптимизация модели. 29
ЗАКЛЮЧЕНИЕ. 32
Список литературы.. 34
1. Кузнецова О. Ю., Кузнецов Р. Н., Кузьмин А. В. Реализация ансамблевого метода машинного обучения для прогнозирования послеоперационных осложнений // Модели, системы, сети в экономике, технике, природе и обществе. 2023. № 2. С. 193–202. doi: 10.21685/2227-8486-2023-2-13
2. Ю. С. Кашницкий, Д. И. Игнатов, Ансамблевый метод машинного обучения, основанный на рекомендации классификаторов, Интеллектуальные системы. Теория и приложения, 2015, том 19, выпуск 4, 37–55
3. Loginom. Деревья решений: общие принципы [Электронный ресурс]: электронная энциклопедия для бизнес-анализа - / Loginom. - Электронные данные. Режим доступа: URL.: https://loginom.ru/blog/decision-tree-p1///, свободный - (дата обращения 22.04.2024)
4. С.Федотов, Ф.Синицин. Учебник по машинному обучению [Электронный ресурс]: Школа анализа данных Яндекс Режим доступа: URL.: https://education.yandex.ru/handbook/ml/article/about, свободный - (дата обращения 22.04.2024)
5. PEP8 - стиль кода в языке Python [Электронный ресурс]. Режим доступа: https://pep8.ru/doc/pep8/
6. Статья «Отличия LabelEncoder и OneHotEncoder в SciKit Learn» - [Электронный ресурс]. Режим доступа: https://habr.com/ru/articles/456294/
7. Статья «Ансамблевые методы машинного обучения в скоринге розничных клиентов» - [Электронный ресурс]. Режим доступа: https://www.nbrb.by/bv/pdf/articles/11056.pdf
8. Статья "Ансамблевые методы" [Электронный ресурс]. Режим доступа: https://scikit-learn.ru/1-11-ensemble-methods/
9. Статья "Ансамблевые методы машинного обучения" [Электронный ресурс]. Режим доступа: https://habr.com/ru/articles/571296/
10. Документация библиотеки Seaborn https://seaborn.pydata.org/
11. Документация библиотеки CatBoost https://catboost.ai/en/docs/