پیش‌بینی دیابت با استفاده از مدل‌های یادگیری ماشین

در این پروژه، هدف پیش‌بینی ابتلا به دیابت با استفاده از داده‌های جمع‌آوری‌شده از دیتاست "Pima Indians Diabetes " بود. مراحل شامل:

1. وارد کردن کتابخانه‌ها: برای انجام تحلیل و پیاده‌سازی مدل‌های یادگیری ماشین، از کتابخانه‌هایی مانند NumPy، Pandas، Matplotlib و Scikit-learn استفاده شد.

2. وارد کردن دیتاست: دیتاست که از منابع معتبر گرفته شده بود به محیط کار وارد شد. این دیتاست شامل اطلاعات پزشکی برای پیش‌بینی دیابت می‌باشد.

3. پیش‌پردازش داده‌ها: شامل پاک‌سازی داده‌ها، مدیریت مقادیر گمشده، بالانس کردن داده ها و نرمال‌سازی ویژگی‌ها برای بهبود عملکرد مدل بود که به اطمینان از کیفیت داده‌ها کمک کرد.

4. کاهش ابعاد داده‌ها یا انتخاب ویژگی‌ها: برای افزایش سرعت و دقت مدل، اقدام به انتخاب ویژگی‌های مهم و کاهش ابعاد داده‌ها شد. این کار با استفاده از تکنیک‌هایی مانند تحلیل مؤلفه‌های اصلی (PCA) و RFE انجام شد.

5. تعریف مدل و اجرای آن: پس از انتخاب ویژگی‌های مناسب، مدل یادگیری ماشین (Naive Bayes ) تعریف و پیاده‌سازی شد. با استفاده از روش‌های ارزیابی مانند Holdout، عملکرد مدل‌ آزمون و ارزیابی شد.