Réaliser un projet avec de Machine learning avec Pyspark c'est à dire de mettre en place un modèle qui va permettre de réaliser des prédictions.
L’objectif de ce projet est de prédire la présence d’une maladie cardiovasculaire à partir de variables cliniques et biologiques, à l’aide de données médicales de patients.
L’analyse permet d’identifier les patients les plus à risque, même si certains peuvent être asymptomatiques.
L’usage de ces variables permet d’aider à la décision médicale préventive.
Conclusions clés:
- L’âge est un facteur clair de risque
- Pression plus élevée chez les malades
- Légèrement plus élevé chez les malades
- Sex : Les hommes sont beaucoup plus à risque que les femmes.
- Angina: Les patients asymptomatiques sont souvent malades, ce qui est critique pour la détection précoce.
- Glycémie: Pas très discriminante dans ce dataset
Ces différences renforcent la pertinence de ces variables pour la modélisation
Après préparation des données et entraînement d’un modèle de classification (régression logistique , voici les principaux résultats obtenus sur les données de test :
✅ Performances globales du modèle régression logistique
| Métrique | Valeur |
|---|---|
| Accuracy | 83.91 % |
| Precision | 83.72 % |
| Recall | 83.72 % |
| F1-score | 83.91 % |
🔲 Matrice de confusion
| Prédit 0 | Prédit 1 | |
|---|---|---|
| Réel 0 (sain) | 36 | 7 |
| Réel 1 (malade) | 7 | 37 |
Interprétation
Le modèle atteint une précision de 84 %, ce qui montre une bonne performance globale.
Il est équilibré : il détecte bien à la fois les patients malades et non malades.
Le recall de 83.72 % indique qu’il détecte correctement la majorité des patients à risque, ce qui est essentiel dans un contexte médical.
La précision élevée permet de limiter les faux positifs, donc d’éviter de diagnostiquer à tort des patients sains.
Le F1-score confirme un bon compromis entre précision et rappel.
AFOLABI Nazifou
- Datascientist | Machine Learning & Modeling
- Passionné par les sciences de données et l'intelligence artificielle.
- Email : afolabinazif96@gmail.com
- LinkedIn : Nazifou AFOLABI