Autor: Mihai Nan
Un institut medical dorește să dezvolte un sistem automatizat care să ajute la
identificarea pacienților cu risc de Alzheimer, folosind date clinice,
demografice și comportamentale.
Ai primit un set de date cu pacienți evaluați clinic, iar scopul este să construiești
un model de clasificare binară care să poată prezice diagnosticul pentru pacienți noi.
Ți-au fost puse la dispoziție următoarele fișiere:
Scopul principal: predicția probabilității ca un pacient să fie diagnosticat cu Alzheimer
(valoare între 0 și 1, unde 0 = pacient sănătos, 1 = pacient cu Alzheimer).
Fiecare rând reprezintă un pacient și conține următoarele atribute:
PatientID – identificator unic al pacientuluiAge – vârsta pacientuluiGender – sexul (0 = feminin, 1 = masculin)Ethnicity – etnia pacientului (valori codificate numeric)EducationLevel – nivelul educațional (codificat numeric)BMI – indicele de masă corporalăSmoking – fumător (1) / nefumător (0)AlcoholConsumption – consum de alcoolPhysicalActivity – nivelul de activitate fizicăDietQuality – calitatea dieteiSleepQuality – calitatea somnuluiFamilyHistoryAlzheimers – istoric familial AlzheimerCardiovascularDisease – boli cardiovasculareDiabetes – diabetDepression – depresieHeadInjury – traumatisme cranieneHypertension – hipertensiuneSystolicBP, DiastolicBP – tensiune arterialăCholesterolTotal, CholesterolLDL, CholesterolHDL, CholesterolTriglyceridesMMSE – scor Mini-Mental State ExaminationFunctionalAssessment – evaluare funcționalăADL – activități zilniceMemoryComplaintsBehavioralProblemsConfusionDisorientationPersonalityChangesDifficultyCompletingTasksForgetfulnessDiagnosis – doar în train.csv
1 = diagnostic Alzheimer0 = fără AlzheimerScopul final: prezice Diagnosis pentru rândurile din test.csv.
Primele două subtask-uri verifică analiza exploratorie a datelor.
Ultimul subtask evaluează performanța modelului de clasificare.
Calculează pentru fiecare pacient din test.csv câți pacienți sunt în setul de antrenare (train.csv) care au aceeași vârstă cu cea a pacientului din setul de testare.
Afișează în fișierul de submisie un număr natural (conform formatului prezentat mai jos).
Pentru fiecare pacient din test.csv, determină procentul de pacienți fumători
(Smoking = 1) din setul de antrenare (train.csv) care au aceeași vârstă
cu pacientul respectiv.
Formula de calcul pentru un pacient cu vârsta v:
(număr pacienți fumători din train cu Age = v) /
(număr total pacienți din train cu Age = v) * 100
Afișează în fișierul de submisie un număr real între 0 și 100,
cu maxim 2 zecimale, pentru fiecare pacient.
Dacă în setul de antrenare nu există niciun pacient cu vârsta respectivă,
valoarea afișată va fi 0.
Construiește un model de clasificare care prezice probabilitatea de diagnostic Alzheimer
(p ∈ [0,1]) pentru fiecare pacient din test.csv.
Evaluarea se face folosind ROC Curve și AUC (Area Under the ROC Curve).
Subtask-urile 1–2 se evaluează exact (prin comparare).
Fișierul submission.csv trebuie să conțină 3 linii pentru fiecare pacient din test,
corespunzătoare celor 3 subtask-uri.
Structură:
subtaskID, datapointID, answer
unde:
PatientIDPatientID = 4751:subtaskID,datapointID,answer
1,4751,23
2,4751,31.8
3,4751,0.873
Pentru Subtask 3, evaluarea se face folosind ROC AUC (Area Under the ROC Curve),
o metrică standard pentru probleme de clasificare binară.