Recommandé
Recommandé
Contenu connexe
En vedette
En vedette (20)
Classification de stroke par SVM et DecisionTree.pptx
- 1. Classification de stroke par SVM et DecisionTree Réalisé par : Ben Hmida Sarra Kebabou Molk
- 2. Modélisation et la comparaison des modèles Introduction 01 Importation des données 02 Traitement et analyse des données 03 04 Plan Conclusion Amélioration d’un modèle 05 06
- 3. Le data mining désigne le processus d’analyse de volumes massifs de données et du Big Data sous différents angles afin d’identifier des relations entre les data et de les transformer en informations exploitables. Introduction 1
- 4. Problématique Dans les pays occidentaux , un individu sur 200 est atteint d'un accident vasculaire cérébral chaque année. En France en 2019, on dénombre chaque année plus de 140 000 nouveaux cas d’accidents vasculaires cérébraux. Les accidents vasculaire cérébral augmentent ces jours- ci et nous ne connaissons pas leurs causes, ni les personnes qui peuvent en tomber malades. C’est pourquoi nous avons choisi d'analyser les données d'un certain nombre de personnes pour connaître les causes de cette maladie et qui peut tomber malade selon l'âge et d'autres features. 2
- 6. Notre Dataset se compose de 12 colonnes pour un total de 5110 lignes et chaque ligne des données fournit des informations pertinentes sur une personne, tel que l'âge, le sexe, le statut tabagique, la survenue d'un accident vasculaire cérébral et d'autres information. 4
- 7. Traitement et analyse des données 5
- 9. 7
- 11. 9
- 12. 10
- 14. Modélisation et la comparaison des modèles 12
- 16. SVM 14
- 19. Decision Tree 17
- 20. SVM 18
- 21. Pour cet dataset particulier, avg_glucose_level et l'âge sont les caractéristiques les plus importantes pour déterminer si une personne présente un risque élevé ou faible de subir un stroke. Plus le taux de glucose dans le sang est élevé, plus le risque d'accident vasculaire cérébral est élevé et il en va de même pour les personnes âgées Conclusion 19
Notes de l'éditeur
- On commence par introduire data mining alors
- Id : Identifiant unique Gendre : Le genre Age : Âge Hypertension : Fonction binaire d'hypertension Heart_disease : Caractéristique binaire des maladies cardiaques Ever_married : Le patient a-t-il déjà été marié ? Work_type : Type de travail du patient Residence_type : Type de résidence du patient Avg_glucose_level : Niveau moyen de glucose dans le sang Bmi : Indice de masse corporelle Smoking_status : Statut de fumeur Stroke : Accident vasculaire cérébra
- Cet ensemble de données est utilisé pour prédire si un patient est susceptible de subir un stroke en fonction de paramètres d'entrée On a utiliser la fonction read_csv pour importer notre dataset puis l’afficher et on a afficher le nombre des lignes et des colonnes avec la fonction shape
- On a vérifié s'il y a des valeurs null et on a remarqué que la colonne bmi à 201 valeur null On a afficher les nombres d’hommes et des femme dans notre dataset , Il y a 1 donnée en dehors de Male et Female. On a supprimer le other Ensuite, nous avons supprimé id et bmi car nous n'en avons pas besoin
- On a afficher les ages de toutes les personnes avec ordre croissant Les personnes moins de 15 ans nous n'avons pas besoin d'eux pour notre analyse c'est pour ca nous les avons supprimés
- Dans la première visualisation le nombre total de femmes ayant subi un stroke est supérieur à celui des hommes Et pour la deuxième visualisation on remarque que les personnes ayant un stroke son avg glucosse est elevé
- dans notre graphe nous voyons que Plus que l'Age augmente, plus que le risque d'avoir un stroke augmente aussi
- nous montrent qu'il existe 2 status tabagique qui pourrait influencer notre modèle sont unknown et formely smoked c’est pour ca on a regrouper Never smoked et unknown dans never smoked et formerly smoked et smokes dans smoke
- Dans cette etape on a afficher les colonnes qui son types est un objet puis on à changer ses données par 0 et 1. Puis nous divisons les fonctionnalités en ensembles de train et de test
- On a choisit comme premier modèle decision tree , on lance l’entrainement et on prédire notre test Nous voyons que laccuracy score egale a 0,91 matrice de confusuion, classification_report
- On a choisit comme deuxieme modele svm , on lance l’entrainement et on predire notre test Nous voyons qu’ on a une bonne accuracy score qui egale a 0,94 Precision y7sblk 3ala kol colonne mel matrice les nombres s7a7 3al totale mta3 lcolonne wl accuracy y7seblk les nombres s7a7 lkol mta3 lmatrice aal totale mta3 lmatrice lkol
- D’après ce graph, nous avons remarquer que le modèle SVM donne un bon résultat par rapport au Decision_Tree
- On a ajouter un paramètre kernel a notre modele SVM de type lineair et le kernel est une méthode d'utilisation d'un classificateur linéaire pour résoudre un problème non linéaire.