Door categorieën bladeren
Ontdekken
Fiverr Pro
Nederlands
$
USD
Ik maak een kanker detectie binary classification model
Over deze dienst
Doel: Binary classification met nadruk op het minimaliseren van false negatives.
Metrics: Prioriteit geven aan Recall; drempelafstelling gebaseerd op de kosten van fouten.
Proces: Data schoonmaken, feature selectie, calibratie en controleerbaarheid van beslissingen.
Vereiste dataset met meerdere variabelen die als features worden gebruikt voor een juiste diagnose (label) als detectie van kanker (test positief) of afwezigheid van kanker (test negatief).
De features worden gestandaardiseerd om uniformiteit in schaal van waarden te garanderen, zodat correlaties tussen de features kunnen worden gemaakt, los van de voorspelling van uitkomst als detectie of afwezigheid van kanker. Null-waarden van een feature worden ingevuld/vervangen door mediaan of centrale waarden die typisch zijn voor de feature.
Het gebruikte model is het LogisticRegression-model om binary classification uit te voeren, waarbij de uitkomst 1 is als detectie van kanker of 0 als afwezigheid van kanker. Evaluatie van de voorspelling gebeurt op basis van accuracy score, evenals precision en vooral recall om minimale false positives (hoge precision) en false negatives (hoge recall) te garanderen, zodat de juiste diagnose wordt gesteld (geen false detectie of valse claim van afwezigheid van kanker).
Mijn portfolio
Andere Data science en ML diensten die ik aanbied
Veelgestelde vragen
Automatische vertaling
1. Welke gegevens moet ik aanleveren voor deze opdracht?
Je moet een schone dataset aanleveren met meerdere variabelen (bijvoorbeeld vitale functies van patiënten, labresultaten, numerieke features) samen met een doelkolom die een binaire uitkomst weergeeft (bijvoorbeeld 1 voor kanker gedetecteerd, 0 voor geen kanker gedetecteerd).
2. Hoe worden ontbrekende waarden in mijn dataset behandeld?
Ontbrekende waarden in numerieke features worden ingevuld met robuuste centrale tendensen, zoals de mediaan van de feature. Deze aanpak voorkomt dat data verloren gaat en behoudt de oorspronkelijke verdeling van je klinische features.
3. Waarom is feature standardisatie nodig voor dit model?
Het standaardiseren van numerieke features schaalt alle variabelen naar een uniforme range. Dit zorgt ervoor dat het Logistic Regression-model efficiënt convergeert, dat de feature gewichten eerlijk worden verdeeld en dat cross-feature correlaties nauwkeurig kunnen worden geanalyseerd.
4. Waarom wordt Recall belangrijker dan accuracy voor dit project?
In medische diagnostiek zoals kanker detectie is een false negative (stellen dat een patiënt gezond is terwijl hij eigenlijk kanker heeft) veel kritieker dan een false positive. Door de drempel voor Recall te optimaliseren en af te stemmen, minimaliseren we het missen van echte positieve gevallen.
5. Hoe stem je de beslissingsdrempel af voor het Logistic Regression-model?
In plaats van de standaard 0,5 kansdrempel wordt de drempel aangepast op basis van de relatieve kosten van fouten. We kalibreren de beslissingsgrens om de optimale balans te vinden tussen hoge Recall (minimaliseren van false negatives) en hoge Precision (beperken van onnodige false alarms).
6. Ontvang ik een interpreteerbaar model en reproduceerbare code?
Ja, bij aankoop van het Premium pakket ontvang je schone, gedocumenteerde code die data preprocessing, feature scaling, model training, drempelafstelling en evaluatiemetrics (Accuracy, Precision, Recall, Confusion Matrix) omvat, zodat volledige controle en audit mogelijk is.
