Cukorbetegség diagnosztizálása vérvizsgálatok alapján

🩺 Cukorbetegség diagnosztizálása vérvizsgálatok alapján

A probléma leírása

Egy olyan osztályozási modell építése a cél, amely vérvizsgálatok és demográfiai adatok alapján előre jelzi, hogy egy betegnek van-e cukorbetegsége.

Minden beteget 8 numerikus attribútum jellemez, amelyeket vizsgálatokból és klinikai mérésekből nyertek, míg a címke (target) a cukorbetegség jelenlétét jelzi (1 pozitív esetben, 0 negatív esetben).

Ez a típusú probléma a bináris osztályozás (binary classification) kategóriájába tartozik.

---

🔹 Jellemzők (features)

• pregnancies – terhességek száma
• glucose – vércukorszint
• blood_pressure – vérnyomás
• skin_thickness – bőrredő vastagsága
• insulin – inzulinszint
• bmi – testtömegindex
• diabetes_pedigree_function – genetikai kockázati pontszám
• age – a beteg életkora

---

📘 A bemeneti fájlok szerkezete

train.csv

Tartalmazza mind a 8 features oszlopot, valamint az alábbi oszlopot:

• target – jelzi a cukorbetegség jelenlétét (0 vagy 1)

Példa:

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

Ugyanazokat az oszlopokat tartalmazza a target nélkül, de tartalmazza a SampleID-t.

Példa:

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

---

📤 Beadás

A kimeneti fájlnak (submission.csv) pontosan két oszlopot kell tartalmaznia:

• SampleID
• label – a modell által előre jelzett címke (0 vagy 1)

Példa:

SampleID	label
1	1
2	0
3	0

---

⚙️ Értékelés

A modellek értékelése a következő metrika használatával történik:

• Bináris F1-pontszám (binary F1)

Ez a metrika alkalmas a bináris osztályozásra, mivel egyenlő fontosságot tulajdonít mindkét osztály előrejelzéseinek helyességének.

Általános képlet:

ahol:

• 
• 

A végső pontszám százalékban kifejezve (0–100), két tizedesjegyre kerekítve.

---

📊 Forrás

Az adathalmaz az eredeti gyűjteményből származik:
Pima Indians Diabetes Database – Kaggle