Diabeteksen diagnosointi verikokeeiden perusteella

🩺 Diabeteksen diagnosointi verikokeisiin perustuen

Ongelman kuvaus

Tavoitteena on rakentaa luokittelumalli, joka ennustaa onko potilaalla diabetes verikokeisiin ja demografisiin tietoihin perustuen.

Jokaista potilasta kuvataan 8 numeerisella attribuutilla, jotka on saatu analyyseistä ja kliinisistä mittauksista, ja etiketti (target) osoittaa diabeteksen esiintymisen (1 positiivinen, 0 negatiivinen).

Tämäntyyppinen ongelma kuuluu binäärisen luokittelun (binary classification) kategoriaan.

---

🔹 Ominaisuudet (features)

• pregnancies – raskauksien lukumäärä
• glucose – glukoositaso veressä
• blood_pressure – verenpaine
• skin_thickness – ihopoimun paksuus
• insulin – insuliinitaso
• bmi – painoindeksi
• diabetes_pedigree_function – geneettinen riskipisteet
• age – potilaan ikä

---

📘 Syötetiedostojen rakenne

train.csv

Sisältää kaikki 8 features-saraketta sekä sarakkeen:

• target – osoittaa diabeteksen esiintymisen (0 tai 1)

Esimerkki:

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

Sisältää samat sarakkeet ilman target-saraketta, mutta sisältää SampleID:n.

Esimerkki:

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

---

📤 Palautus

Tulostetiedoston (submission.csv) tulee sisältää täsmälleen kaksi saraketta:

• SampleID
• label – mallin ennustama etiketti (0 tai 1)

Esimerkki:

SampleID	label
1	1
2	0
3	0

---

⚙️ Arviointi

Mallien arviointi tehdään käyttäen seuraavaa metriikkaa:

• Binäärinen F1-pisteet (binary F1)

Tämä metriikka sopii binääriseen luokitteluun, koska se antaa yhtäläisen painoarvon ennusteiden oikeellisuudelle molemmissa luokissa.

Yleinen kaava:

missä:

• 
• 

Lopullinen pisteet ilmaistaan prosentteina (0–100), pyöristettynä kahteen desimaaliin.

---

📊 Lähde

Datasetti on peräisin alkuperäisestä kokoelmasta:
Pima Indians Diabetes Database – Kaggle