Команда «JUSTATOM» Контакты:
- Телеграм:
(так же доступен файл в расширении .dot для интерактивной визуализации в TreeViz.)
Как запустить flask web:
- перед запуском:
export FLASK_APP=justatom.atom
- запуск: flask run
Проанализировали фичи из текстового датасета; Распарсили текстовый датасет и извлекли фичи; Препроцессор умеет работать с разряженными датасетами; Привели фичи в катег. и бинарную формы; Сгенерировали нормализованный датасет; Обучили на нем модель решающих деревьев ; Модель предсказывает летальный исход; Модель умеет объяснять своё решение (визуальный граф); Реализован веб интерфейс для предсказаний онлайн; Модель сохраняется в pickle и может работать распределенно;
Процессинг датасета к понятному для модели вида; Использование моделей мл для обучения на CPU; Интерпретируемость модели; Возможность быстрого дообучения на новых данных; Скорость работы; Применимость и адаптируемость к новым данным; Предсказываем вероятность летального исхода в том числе и по эвристическим правилам;
В будущем планируется доработка веб интерфейса для поддержки разных форматов входных данных в тот, который читается нашей моделью, сделав решение адаптивным. Реализация полноценного веб интерфейса для удобного ввода мед данных о пациенте для масштабирования проекта. Добавление в модель предсказаний по разным критериям: выбор правильного лечения, помощь в постановке диагноза и интерпретации результатов путем взаимодействия с графами знаний и визуальным отображением взаимосвязей из анамнеза пациентов. Получение дополнительных данных из внешних источников для коррекции результатов предсказания и диагностирвоания. Вывод статистически важной информации для помощи в принятии решений.
- Для препроцессинга данных использовалась нормализация текста, процессорные функции и классификаторы
- Для парсинга данных использовался regexp, извлечение между плавающими разделителями
- Для получения значений с плавающей точкой использовалась реализованная функция выделения таких значений
- Для работы с датасетом использовалась библиотека pandas
- Для поиска доминантных фичей использовался ExtraTreesClassifier из набора sklearn
- Модель машинного обучения использовалась DecisionTreeClassifier
- Для построения графов использовался matplotlib и tree из набора sklearn
'id', 'temperatura', 'ves', 'rost', 'pedikulez_status', 'chesotka_status', 'flyurogramma', 'gepatit_status', 'spid_status', 'hron_bolezn_pecheni_status', 'operativnie_vmeshatelstva', 'perelivanie_krovi_status', 'kontakti_s_inficirovannimi', 'prebivanie_zagranicey', 'lihoradka_status', 'saharniy_diabet_status', 'ostr_serdsosudistaya_nedost_status', 'gepatit_c_status', 'letal_status', 'sepsis_status', 'mas_krovopoterya_status', 'polip_kishki', 'gospitalizirovan', 'poryadok_gosp', 'sposob_postupleniya', 'cel_postupleniya', 'strahov_anamnez', 'allergologicheskiy_anamnez', 'vred_privichki', 'obraz_jizni', 'obshee_sost', 'temperatura_utro', 'temperatura_vecher', 'soznanie', 'v_kontakte', 'emotionalnaya_labilnost', 'orientacia_v_prostr', 'teloslojenie', 'invalidnost', 'sost_pitaniya', 'index_massi_tela', 'ploshad_poverhn_tela', 'kojnie_pokrovi', 'skleri_status', 'vidimie_slizistie', 'kostno_mishechnaya_sistema', 'zev', 'peref_limfouzli', 'oteki', 'shitovidnaya_jeleza', 'selezenka', 'serd_sodud_sistema', 'forma_gr_kletki', 'chislo_dihaniy', 'pishevar_sistema', 'rektalno', 'organi_mocheispuscaniya',