Makine öğrenmesi / Veri bilimi / Akademik araştırma
Tablosal verilerle ikili sınıflandırma, ROC görselleştirmesi ve giriş doğrulamasını inceleyen özel lojistik regresyon araştırma deneyi.
Kategori için özgün kod tabanlı illüstrasyon; ürün ekran görüntüsü değildir.
Özel kaynak kodu; bu sayfada genel teknik özet paylaşılmaktadır. Kaynak dosyaları, gerçek veriler ve kuruma özel bilgiler kamuya açılmaz.
Uyku apnesi bağlamındaki tablosal araştırma verileri için lojistik regresyon deney akışıdır. Veri yükleme, eksik satırları eleme, katmanlı eğitim/test ayrımı ve değerlendirme grafikleri içerir. Proje, yazılım davranışı ile bilimsel geçerlilik arasındaki ayrımı açık tutar; klinik başarı veya gerçek hasta verisine dayalı performans iddiası sunmaz.
Küçük araştırma deneylerinde hedef etiketlerinin hatalı tanımlanması, sayısal olmayan alanlar ve hedefin girdi olarak kullanılması sonuçları geçersizleştirebilir. Bir modelin çalışması da klinik fayda kanıtı değildir. Amaç, temel bir sınıflandırma akışını açık veri sözleşmeleri ve sınırlı yazılım kontrolleriyle incelemektir.
Araştırma veri hazırlığı, antropometrik ve klinik değişkenlerin eşleştirilmesi; Python/pandas ile işleme, sınıflandırma ve model değerlendirme çalışmaları.
CSV veya elektronik tablo girdileri, tanımlı sayısal özellikler ve ikili hedef koşullarıyla işlenir. Eksik satırlar ayrıldıktan sonra katmanlı bir holdout bölünmesi uygulanır ve lojistik regresyon modeli değerlendirilir. Sınıflandırma özeti, ROC grafiği ve katsayı incelemesi araştırma çıktısı olarak üretilir. İnceleme dalına eklenen kontroller, eksik sütunları, geçersiz etiketleri ve hedefin doğrudan girdi seçilmesini reddeder.
Araştırma katkım, Tanita raporlarından çıkarılan antropometrik ölçümleri klinik değişkenler, AHI/OSAS sınıfları ve anket sonuçlarıyla birlikte ele almayı kapsıyordu. Python ve pandas ile temizleme ve eşleştirme çalışmaları yaptım. Bu proje, daha geniş veri hazırlama çalışmasına bağlı tablosal sınıflandırma deneyini anlatır; rapor çıkarım uygulamasıyla aynı yazılım bileşeni değildir.
Sınıflandırma akışının girişinde hangi sütunların özellik, hangisinin hedef olduğu açıkça belirlenir. Sayısal olmayan girdiler, eksik sütunlar ve ikili sınıfa uymayan etiketler araştırma sonucunun yorumlanmasını zorlaştırır. Hedef sütununun yanlışlıkla özellik listesine alınmasını engellemek doğrudan hedef sızıntısına karşı temel bir kontroldür. Diğer dolaylı sızıntı türleri ve ilişkili katılımcı kayıtları için ayrıca araştırma tasarımı gerekir.
Katmanlı eğitim/test ayrımından sonra lojistik regresyonla sınıflandırma özeti, ROC grafiği ve katsayı incelemesi üretilir. Katsayılar, modelin değişkenleri nasıl kullandığını incelemek için bir başlangıç sağlar; tek başına nedensellik göstermez. Sentetik yazılım testleri akışın çalışmasını ve hatalı girdilerin reddini kontrol eder. Dış doğrulama, kalibrasyon ve klinik kullanım değerlendirmesi bu kapsamın dışındadır.
Yetkili tablosal araştırma girdisinin yüklenmesi
Sayısal özellik ve ikili hedef koşullarının kontrolü
Katmanlı holdout ayrımı ve lojistik regresyon eğitimi
Sınıflandırma özeti, ROC grafiği ve katsayı incelemesi
Kaynak açıklamalarından türetilmiş kavramsal akış; bir uygulama ekran görüntüsü değildir.
Yetkili yerel PDF raporlarından tablo çıkarımını araştıran, toplu işlem ve masaüstü arayüzü içeren özel veri işleme prototipi.
EEG, sinyal özellikleri ve klasik makine öğrenmesini masaüstü, çevrimdışı araştırma ve yerel web bileşenleriyle inceleyen özel araç koleksiyonu.