Diagnóstico de diabetes basado en análisis de sangre

🩺 Diagnóstico de diabetes basado en análisis de sangre

Descripción del problema

Se desea construir un modelo de clasificación que prediga si un paciente tiene diabetes basándose en análisis de sangre y datos demográficos.

Cada paciente está caracterizado por 8 atributos numéricos obtenidos de análisis y mediciones clínicas, y la etiqueta (target) indica la presencia de diabetes (1 para positivo, 0 para negativo).

Este tipo de problema pertenece a la categoría de clasificación binaria (binary classification).

---

🔹 Características (features)

• pregnancies – número de embarazos
• glucose – nivel de glucosa en sangre
• blood_pressure – presión arterial
• skin_thickness – grosor del pliegue cutáneo
• insulin – nivel de insulina
• bmi – índice de masa corporal
• diabetes_pedigree_function – puntuación genética de riesgo
• age – edad del paciente

---

📘 Estructura de los archivos de entrada

train.csv

Contiene todas las 8 columnas de features más la columna:

• target – indica la presencia de diabetes (0 o 1)

Ejemplo:

SampleID	pregnancies	glucose	blood_pressure	skin_thickness	insulin	bmi	diabetes_pedigree_function	age	target
1	6	148	72	35	0	33.6	0.627	50	1
2	1	85	66	29	0	26.6	0.351	31	0

test.csv

Contiene las mismas columnas sin target, pero incluye SampleID.

Ejemplo:

SampleID	pregnancies	glucose	blood_pressure	skin_thickness	insulin	bmi	diabetes_pedigree_function	age
1	0	137	40	35	168	43.1	2.288	33
2	5	116	74	0	0	25.6	0.201	30

---

📤 Envío

El archivo de salida (submission.csv) debe contener exactamente dos columnas:

• SampleID
• label – etiqueta predicha por el modelo (0 o 1)

Ejemplo:

SampleID	label
1	1
2	0
3	0

---

⚙️ Evaluación

La evaluación de los modelos se realizará utilizando la siguiente métrica:

• F1-score binario (binary F1)

Esta métrica es adecuada para la clasificación binaria, ya que otorga igual importancia a la corrección de las predicciones para ambas clases.

Fórmula general:

donde:

• 
• 

La puntuación final se expresa como porcentaje (0–100), redondeado a dos decimales.

---

📊 Fuente

El dataset proviene de la colección original:
Pima Indians Diabetes Database – Kaggle