پروژه پایتون

شرح پروژه

سلام

هدف ما از این کار استفاده از الگوریتم های یادگیری ماشین یک سیستم خودکار برای تشخیص بیماری پارکینسون هست که در آخر ارزیابی میکنیم که استفاده از کدام متد بهتره تا خطای طبقه بندی را به حداقل برسانیم

اول از رسم داده و توزیع پراکندگی آن شروع میکنیم و مراحل پیش پردازش رو در نظر میگیریم که شامل نرمال سازی و بالانس کردن داده هاست و حذف داده های پرت یا پاک سازی داده های Nan هست و بعد مرحله ی استخراج ویژگی که باید ببینیم ویژگی ها کورولیشن دارند یا خیر و رسم ماتریس کورولیشن بر اساس دو معیار ضریب همبستگی پیرسون و ضریب همبستگی رتبه ای اسپیرمن و انتخاب ویژگی داشته باشیم 

بعد از نرمال سازی داده ها و تقسیم بندی از train و test کردن داده ها استفاده میکنیم که 

از کلاسیفایرها استفاده کنیم برای دسته بندی که تمامی الگوریتم ها رو باید استفاده کنیم که شامل 

Naive Bayes

Logistic regression

Knn

Svm

Decision tree

Random forest 

هست 

که دقت الگوریتم ها برای kernel ها و k ها و max_depth و n_estimation و random_state

 های مختلف سنجیده بشه و ارزیابی و طبقه بندی بشن

و برای هر کدام از منحنی roc و confusion matrix استفاده بشه 

و حتما از pca و lda برای کاهش ابعاد ویژگی استفاده کنیم چون زیاد هستن داده هامون

دوباره برای ارزیابی هم از confusion matrix و roc 

استفاده بشه

مثلا

مدل 1

روش svm با کاهش ابعاد pca به 100 ویژگی و کرنل خطی

دقت 80

prec  75

recall 60

f1 —

معیار های ارزیابی هم مثل accuracy، recall و  specificity و f_1score

و در اخر این الگوریتم ها با هم مقایسه شوند 

و شکل نتیجه ی نهایی به دست آمده برای تمامی متدهای استفاده شده رسم شود

و همچنین نتیجه ی بدست آمده به ازای تمام متدها بعد از اعمال pca و lda

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

متلب پروژه - matlabprozhe

عضویت ده سال پیش

13712 پروژه ثبت شده ،

73 پروژه در حال انجام ،

0 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 36%