Machine Learning · FIB-UPC

Clasificación de Hipotiroidismo

Pipeline de clasificación binaria de principio a fin — predice el hipotiroidismo a partir de datos clínicos utilizando 9 familias de modelos en sklearn. Las demostraciones interactivas a continuación ejecutan modelos entrenados reales directamente en tu navegador.

Ver código en GitHub

Pipeline ML

FIB-UPC · Aprendizaje Automático·con Marta Granero

📂

Datos ARFF

hypothyroid.arff

🔧

Preproceso

Imputación, escalado, encoding

📊

EDA

Correlación, distribuciones

🤖

Modelos

9 familias de sklearn

✅

Evaluación

CV, ROC, matrices de confusión

Regresión LogísticaLDA / QDANaive Bayesk-NNSVM (lineal + kernel)MLP (redes neuronales)Random ForestRidge / LassoBúsqueda bayesiana de hiperparámetros

🏥

Predictor de Hipotiroidismo

Modelo LogReg real · se ejecuta en el navegador

Edad50 años

TSH2 µU/mL

TT4109 nmol/L

T32 nmol/L

✅

Negativo — saludable

Regresión Logística · 97.3% de confianza

📍

k-NN en proyección PCA

200 puntos reales de test · haz clic para clasificar

k =

Haz clic en el gráfico para clasificar un punto

Importancia de características

Edad

0.11

TSH

5.42

TT4

0.76

0.12

|coef| de Regresión Logística en características estandarizadas — TSH domina la predicción.

Resumen del dataset

hypothyroid.arff — estilo UCI con atributos numéricos (edad, TSH, T3, TT4, FTI, T4U) y categóricos. Variable objetivo: binaryClass (P/N).

Desafíos: muchos NaN, valores atípicos en edad, TBG descartado, desequilibrio de clases — manejado mediante imputación, métricas adecuadas (F1, ROC-AUC).

▸ Vista previa de Jupyter notebook

Abrir en Nbviewer ↗

▸ Ejecutar los 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