در باره
پروژه پیش‌بینی بیماری قلبی به استفاده از مدل‌های یادگیری ماشینی برای پیش‌بینی احتمال بیماری قلبی اختصاص دارد. این مخزن شامل مجموعه ای از فایل ها، مجموعه داده ها و مدل های یادگیری ماشینی است که برای پیش بینی بیماری قلبی طراحی شده اند. هدف این منابع تسهیل تشخیص زودهنگام و ارزیابی خطر بیماری قلبی است و افراد را قادر می سازد تا تصمیمات بهداشتی آگاهانه بگیرند.
فایل ها
- Heart disease complete.py (مدل اصلی کار): این فایل حاوی کد اولیه مدل پیش‌بینی بیماری قلبی است.
- پیش بینی بیماری قلبی با PictoBlox.sb3: نسخه ای از مدل پیش بینی بیماری قلبی که در PictoBlox، یک زبان برنامه نویسی بصری پیاده سازی شده است.
- پیش‌بینی بیماری قلبی با Spyder.py (همان فایل Google Colab اما فقط یک نسخه Spyder): یک نسخه Spyder از کد برای پیش‌بینی بیماری قلبی.
- Heart_Disease_Prediction.csv: مجموعه داده ای که برای بهبود نمرات پیش بینی استفاده می شود.
- heart.csv: مجموعه داده ای که برای پیش بینی بیماری قلبی استفاده می شود.
- heart_disease_data.csv: مجموعه داده دیگری که در پروژه استفاده شده است.
- heart_disease_prediction.py (فایل Google Colab): نسخه Google Colab از مدل پیش بینی بیماری قلبی.
امکانات
- از سه مجموعه داده CSV مختلف برای بهبود نمرات پیش بینی استفاده می کند.
- بر روی یک مدل رگرسیون لجستیک آموزش دیده است.
- یک نسخه PictoBlox را برای اهداف آموزشی و سهولت درک ارائه می دهد.
استفاده
برای استفاده از پروژه پیش بینی بیماری قلبی، مراحل زیر را دنبال کنید:
- فایل مناسب را برای نیازهای خود انتخاب کنید: «بیماری قلبی complete.py»، «پیش‌بینی بیماری قلبی با Spyder.py» یا «heart_disease_prediction.py».
- مطمئن شوید که مجموعه داده‌های لازم را دارید: “Heart_Disease_Prediction.csv”، “heart.csv” و “heart_disease_data.csv.”
- کد را برای پیش بینی بیماری قلبی بر اساس مجموعه داده ارائه شده اجرا کنید.
مخزن GitHub:- سیستم پیش بینی بیماری های قلبی
مدل مستقر:- پیش بینی کننده بیماری های قلبی
این مخزن 2 ستاره، 3 کلون و 9 بازدید را به دست آورده است و آن را به ابزاری محبوب برای افراد آگاه به سلامتی تبدیل کرده است که به دنبال ارزیابی سریع و قابل اعتماد معیارهای بدن هستند. آن را امتحان کنید و از ترکیب بدن خود مطلع شوید!
سایر پست های مرتبط با این پست را بررسی کنید:
