Machine Learning · FIB-UPC

Classificació d'Hipotiroïdisme

Pipeline de classificació binària de principi a fi — prediu l'hipotiroïdisme a partir de dades clíniques utilitzant 9 famílies de models en sklearn. Les demostracions interactives a continuació executen models entrenats reals directament al teu navegador.

Veure codi a GitHub

Pipeline ML

FIB-UPC · Aprenentatge Automàtic·amb Marta Granero

📂

Dades ARFF

hypothyroid.arff

🔧

Preprocés

Imputació, escalat, encoding

📊

EDA

Correlació, distribucions

🤖

Models

9 famílies de sklearn

✅

Avaluació

CV, ROC, matrius de confusió

Regressió LogísticaLDA / QDANaive Bayesk-NNSVM (lineal + kernel)MLP (xarxes neuronals)Random ForestRidge / LassoCerca bayesiana d'hiperparàmetres

🏥

Predictor d'Hipotiroïdisme

Model LogReg real · s'executa al navegador

Edat50 anys

TSH2 µU/mL

TT4109 nmol/L

T32 nmol/L

✅

Negatiu — saludable

Regressió Logística · 97.3% de confiança

📍

k-NN en projecció PCA

200 punts reals de test · fes clic per classificar

k =

Fes clic al gràfic per classificar un punt

Importància de característiques

Edat

0.11

TSH

5.42

TT4

0.76

0.12

|coef| de Regressió Logística en característiques estandarditzades — TSH domina la predicció.

Resum del dataset

hypothyroid.arff — estil UCI amb atributs numèrics (edat, TSH, T3, TT4, FTI, T4U) i categòrics. Variable objectiu: binaryClass (P/N).

Reptes: molts NaN, valors atípics en edat, TBG descartat, desequilibri de classes — gestionat mitjançant imputació, mètriques adequades (F1, ROC-AUC).

▸ Vista prèvia de Jupyter notebook

Obrir a Nbviewer ↗

▸ Executar els notebooks localmente

git clone https://github.com/cuberhaus/APA_Practica.git
cd APA_Practica
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
jupyter lab PracticaAPA-Hipotiroidismo-PolCasacubertaMartaGranero.ipynb