Данный проект реализован для прогнозирования вероятности диабета на основе 8 клинических показателей. Результатом сявляется реализованное веб-приложение на базе Streamlit, которое запускается в Docker-контейнере.
Разработать модель машинного обучения, способную прогнозировать вероятность наличия диабета у пациента на основе клинических и демографических данных для поддержки ранней диагностики заболевания.
Датасет взят из открытого источника https://www.kaggle.com/datasets/iammustafatz/diabetes-prediction-dataset
Запуск приложения streamlit напрямую из проекта:
streamlit run ./src/app/app.py
Запуска проекта со сборкой образа docker:
docker compose up --build
Проект автоматически поднимается по порту 8501: http://localhost:8501
В notebooks eda.ipynb описана работа с датасетом. Размер датасета (100000, 9). Всего 8 признаков:
- Пол пациента
- Возраст пациента
- Артериальная гипертензия (наличие)
- Сердечно-сосудистые заболевания (наличие)
- Курение
- ИМТ
- Гликированный гемоглобин
- Уровень глюкозы в крови
Последний столбец diabetes - целевая переменная: 0 - нет диабета, 1 - есть диабет. Наличие диабитеа является минорным классом, по размерности в 10 раз меньше мажоритарного класса.
Наблюдается сильная зависимость целевой переменной от двух показателей: концентрация глюкозы и гликированный гемоглобин, что достаточно для постановки предварительного диагноза.
В notebooks ML.ipynb построены 4 модели машинного обучения: логистической регрессии, дерево решений, случайного леса, XGBoost. Были подобраны параметры моделей с помощью GridSearchCV, максимизируя параметр recall.
Основной метрикой качества выбрана recall, поскольку в задаче прогнозирования диабета критически важно минимизировать количество ложноотрицательных классификаций (False Negative), то есть не пропустить пациентов, действительно имеющих заболевание. При этом дополнительно анализируются метрики Precision, F1-score и ROC-AUC для комплексной оценки качества модели.
Параметры моделй на тренировочной части данных:
| Модель | Accuracy | Precision | Recall | F1-score | ROC-AUC-score |
|---|---|---|---|---|---|
| Logistic Regression | 0.8676 | 0.3827 | 0.91 | 0.5388 | 0.9611 |
| Decision Tree | 0.8025 | 0.2981 | 0.9776 | 0.4569 | 0.9606 |
| Random Forest | 0.8984 | 0.4517 | 0.9147 | 0.6048 | 0.9767 |
| XGBoost | 0.8677 | 0.3858 | 0.94 | 0.5471 | 0.9751 |
- Лучшей по Recall показала себя модель Дерева решений, что типично для неё, так как она была оптимизирвоана по метрике Recall. При этом точность самая низкая у этой модели, значит модель упускает около 70% пациентов, которые здоровы, а модель признала их больными. Отсюда следует, что F1-score также самый низкий.
- Случайный лес показывает лучшие показатели по всем метрикам, за исключением Recall. Значение Recall сопоставимо со значением baseline-модели Логистической регрессии. Также случайный лес лучше всех разделеят классы.
- XGBoost имеет средние значения Recall и F1-score среди всех моделей и в целом уступает случайному лесу. Таким образом, итоговой моделью определим Random Forest, которая может быть использована для прогнозирования риска развитися диабета.
С помощью SHAP была определена важность признаков, где подтвердилось, что 2 признака (концентрация глюкозы и гликированный гемоглобин) сильнее всего влияют на принятие решения:
Для выбранной модели случайного леса был создан общий pipeline /src/main.py, в котором реализованы все этапы обработки данных, построения и обучения модели, сохранение модели и артефактов.
Была реализована WEB-страница, для ввода данных пациента и получения вероятности развития диабета. Страница максимально упрощённая, что позволяет любому пользователю ввести данные и получить быстрое предсказание.
Вид страницы при первоначальной загрузке:
Вид странциы после получения предсказания:
Что можно доработать в текущем проекте:
- выбор модели при построении общего pipeline
- добавить поля в приложение, например, ФИО пациента, сопуствующие уникальные идентификаторы.
- сохранение прогнозов в БД и выгрузка истории прогнозов
- формирование отчётов в PDF-файл
- добавление дополнительный функций