Predicción de Accidentes Cerebrovasculares

Autores: Lucas Aguilera, Claudio Bórquez, Josefa Fernández.

Curso UC: Minería de Datos.

Problema

El proyecto aborda la predicción de la probabilidad de que un paciente sufra un accidente cerebrovascular en función de parámetros como el sexo, la edad, diversas enfermedades y el tabaquismo. Este enfoque optimiza el proceso médico al anticipar posibles eventos cerebrovasculares.

Estructura del Repositorio

El repositorio está organizado de la siguiente manera:

• data/: Conjunto de datos utilizado para entrenar y evaluar los modelos.
• Avance Proyecto/: Código y presentación de avance.
• Proyecto Final/: Código y presentación final.

Librerías Utilizadas

• TensorFlow
• Keras
• Scikit-learn
• Pandas
• NumPy
• Matplotlib

Datos Utilizados

Este proyecto utiliza datos clínicos centrados en accidentes cerebrovasculares, extraídos de Kaggle. El conjunto de datos consta de 5111 registros y 12 columnas.

• Categoricos:
  • genre
  • ever_married
  • work_type
  • residence_type
  • smoking_status
• Numéricos:
  • id
  • age
  • hypertension
  • heart_disease
  • avg_glucose_level
  • bmi
  • stroke

Baseline

Análisis de Datos

• 5110 registros y 12 columnas.
• Valores nulos en la columna BMI.
• Datos tanto numéricos como categóricos.
• Parcial escasez de datos.

Preprocesamiento

• Limpieza de datos y normalización.
• Remover columnas innecesarias.
• Manejo de datos categóricos con One Hot Encoding.
• Normalización de variables.
• Manejo de valores nulos.

Modelaje

División de Datos

• División del conjunto de datos en entrenamiento y prueba.

Modelos Utilizados

• MLP (Perceptrón Multicapa).
• Regresión Logística.

Evaluación del Modelo

• Entrenamiento de modelos y evaluación de métricas.
• Métricas de evaluación para MLP y Regresión Logística.

Análisis de Resultados

• Problemas con la clasificación y los modelos que no logran aprender patrones.
• Desbalance de clases.

Feedback

• Desbalance de clases: aumentar datos o submuestrear la clase mayoritaria.
• Construir varios datasets y crear un ensemble.
• Descartar MLP y trabajar con Regresión Logística.

Entrega Final

Manejo del Desbalance de Datos

• Submuestreo de la clase mayoritaria (stroke = 0).

Regresión Logística

• Entrenamiento de múltiples modelos de Regresión Logística.
• Creación de un ensemble con Voting Classifier, Gradient Boosting Classifier y Random Forest.

Ensemble sin Submuestreo

• Uso de AdaBoost.
• Comparación de diferentes enfoques: MLP, RL, Voting Classifier, Gradient Boosting, Random Forest, y AdaBoost.

Resultados

Modelo	Accuracy	Precisión 0 vs 1
MLP sin submuestreo	0.95	0.95 vs 0.00
RL sin submuestreo	0.75	0.99 vs 0.15
RL con sub. y ensemble Voting Classifier	0.76	0.72 vs 0.82
RL con sub. y ensemble Gradient Boosting Classifier	0.70	0.66 vs 0.75
Decision Trees ensamblado con Random Forest	0.95	0.95 vs 0.33
Ensemble AdaBoost sin sub.	0.95	0.95 vs 0.25

Referencias

• Stroke Prediction Dataset