Νευρωνικά δίκτυα και μηχανική μάθηση, εφαρμογές στη βιοϊατρική και βιοπληροφορική

Abstract

Στην παρούσα διπλωματική εργασία διερευνάται η πρόβλεψη εμφάνισης καρδιακής προσβολής βάσει κάποιων συμπτωμάτων με την βοήθεια αλγόριθμων Μηχανικής Μάθησης για δυαδική ταξινόμηση, με σκοπό τη σύγκρισή των αποτελεσμάτων των αλγορίθμων αυτών. Η χρήση προγνωστικών μεθόδων με τη βοήθεια της εξόρυξης δεδομένων και ιδιαίτερα της Μηχανικής Μάθησης μπορεί να συμβάλει στην έγκαιρη διάγνωση, ώστε να αποφευχθούν οι σοβαρές επιπλοκές στην υγεία των ασθενών. Η υλοποίηση έγινε με τη βοήθεια της βιβλιοθήκης Scikit-learn της γλώσσας προγραμματισμού Python με ένα συγκεκριμένο σύνολο δεδομένων που διατίθεται δημόσια από το αποθετήριο της Kaggle. Το σύνολο δεδομένων αφορά παρατηρήσεις που συλλέχθηκαν από 918 ασθενείς, το οποίο περιλαμβάνει τα συχνότερα συμπτώματα της ασθένειας. Οι αλγόριθμοι μηχανικής μάθησης που εφαρμόστηκαν στο σύνολο δεδομένων είναι η Λογιστική Παλινδρόμηση (Logistic Regression), οι Μηχανές Υποστήριξης Διανυσμάτων (Support Vector Machines) και ο Αφελής Μπεϋζιανός (Naive Bayes). Η σύγκριση των αποτελεσμάτων έγινε με διάφορες μετρικές απόδοσης που αφορούν προβλήματα ταξινόμησης. Τα συγκριτικά αποτελέσματα υποδεικνύουν ως καλύτερο αλγόριθμο για το συγκεκριμένο σύνολο δεδομένων τον Αφελή Μπεϋζιανό. Το σχετικό μοντέλο παρουσιάζει τις καλύτερες μετρικές απόδοσης, με το μοντέλο Μηχανών Υποστήριξης Διανυσμάτων να ακολουθεί.