Ce projet implémente un système de prédiction du diabète basé sur l'apprentissage supervisé, en utilisant l'algorithme du RF sur le dataset Pima. Il permet de détecter les patients susceptibles de développer un diabète à partir des données médicaux.
- Appliquer des algorithmes de machine learning pour la classification.
- Comparer les performances de Random Forest avec d'autres modèles.
- Optimiser la précision à l'aide de la recherche par grille (GridSearchCV)
- Déployer le modèle dans une application web streamlit
├── data/ # Fichiers de données (CSV, etc.) ├── notebooks/ # Notebooks Jupyter ├── src/ # Code source Python │ ├── preprocessing.py │ ├── model.py │ └── evaluation.py ├── requirements.txt # Dépendances du projet ├── README.md # Ce fichier └── main.py # Point d’entrée principal
- Random Forest Classifier
- Logistic Regression
- K-Nearest Neighbors (KNN)
- Decision Tree Classifier
Les métriques utilisées pour évaluer les performances :
- Accuracy (exactitude)
- Precision
- Recall
- F1-Score
- Matrice de confusion
Le dataset utilisé est : PIMA Indians Diabetes Dataset, disponible sur Kaggle.
scikit-learnpandasnumpymatplotlibseabornstreamlit
— Abel M.