مشروع تعلّم آلي خاضع للإشراف يتنبأ بمخاطر الإصابة بالسكري انطلاقًا من مؤشرات صحية معيارية (مستوى الغلوكوز، مؤشر كتلة الجسم، العمر، ضغط الدم، وخصائص مشابهة)، مبني كخط معالجة يمتد من الاستكشاف إلى الإنتاج: استكشاف البيانات، هندسة الخصائص، تدريب النموذج، وعرض نتائج تفاعلي.
المشكلة والقيود
التنبؤ بمخاطر السكري مشكلة تصنيف مدروسة جيدًا، لكن العمل الحقيقي يكمن في التفاصيل التي تحدد ما إذا كان النموذج جديرًا بالثقة: التعامل مع الفئات غير المتوازنة (حالات إيجابية أقل بكثير من السلبية في مجموعات البيانات النموذجية)، وتجنّب الخصائص التي تُسرّب التصنيف، وعرض النتائج بطريقة يمكن لقارئ غير تقني أن يتحقق منها.
النهج
- تحليل استكشافي للبيانات لفهم توزيعات الخصائص وارتباطاتها قبل التعامل مع أي نموذج.
- هندسة خصائص على المؤشرات الصحية الخام لتحسين الإشارة (معالجة القيم المفقودة/غير الصالحة، وتوحيد المقياس، والخصائص المشتقة).
- تدريب ومقارنة عدة مصنّفات خاضعة للإشراف باستخدام Scikit-learn، مع التقييم بمقاييس مناسبة لمجموعة بيانات طبية غير متوازنة (وليس الدقة الخام فقط).
- بناء طبقة تصور تفاعلية للنتائج: منحنى ROC ومصفوفة الالتباس، بحيث يكون أداء النموذج قابلًا للفحص بدلًا من رقم واحد غامض.
المفاضلات
Decision
مصنّفات قابلة للتفسير ومفهومة جيدًا بدلًا من مجموعة صندوق أسود: بالنسبة لحالة استخدام تتعلق بالمخاطر الصحية، كانت القدرة على تفسير سبب تصنيف النموذج لحالة ما بأنها عالية الخطورة أهم من كسب نقاط دقة هامشية من نموذج أصعب في التفسير.
Decision
تصور ROC/مصفوفة الالتباس بدلًا من رقم دقة واحد بسيط: الدقة وحدها مضلِّلة على بيانات طبية غير متوازنة؛ عرض مصفوفة الالتباس الكاملة ومنحنى ROC يُظهر المفاضلة الحقيقية للنموذج بين الإيجابيات الكاذبة والسلبيات الكاذبة.
النتائج
تسليم خط معالجة تصنيف يعمل مع لوحة تحكم تفاعلية لفحص أداء النموذج (منحنى ROC، مصفوفة الالتباس) بدلًا من مقياس ملخّص واحد — كان التركيز على نتائج قابلة للتدقيق، وليس فقط على إنتاج رقم.
ما كنت سأفعله بشكل مختلف
إضافة تحقق متقاطع بطبقات (stratified folds) منذ البداية (بدلًا من تقسيم تدريب/اختبار بسيط) للحصول على تقدير أداء أكثر موثوقية على مجموعة بيانات غير متوازنة، والمقارنة مع مخرجات احتمالية معايَرة بدلًا من تنبؤات فئوية خام.