Machine Learning · FIB-UPC
Aprenentatge Automàtic — Hipotiroïdisme
Explora un pipeline complet de classificació d'hipotiroïdisme amb 9 famílies de models sklearn. Les demos interactives a continuació executen models entrenats reals directament al teu navegador.
Netejar
Imputació, codificació, escalat
Entrenar
9 famílies de models sklearn
Avaluació
CV, ROC, matrius de confusió
Explicar
Importància de variables i anàlisi d'errors
Regressió LogísticaSVC linealk-NNArbre de decisióRandom ForestAdaBoostMLPNaive BayesQDA
Predictor d'Hipotiroïdisme
Model LogReg real · s'executa al navegador
Edat50 anys
TSH2 mIU/L
TT4109 nmol/L
T32 nmol/L
Negatiu — saludable
Regressió Logística · 97.3% de confiança
k-NN en projecció PCA
200 punts reals de test · fes clic per classificar
k =
Fes clic al gràfic per classificar un punt
Importància de característiques
Edat0.11
TSH5.42
TT40.76
T30.12
|coef| de Regressió Logística en característiques estandarditzades — TSH domina la predicció.
Resum del dataset
hypothyroid.arff — estil UCI amb atributs numèrics (edat, TSH, T3, TT4, FTI, T4U) i categòrics. Variable objectiu: binaryClass (P/N).
Reptes: molts NaN, valors atípics en edat, TBG descartat, desequilibri de classes — gestionat mitjançant imputació, mètriques adequades (F1, ROC-AUC).
▸ Vista prèvia de Jupyter notebook
Obrir a Nbviewer▸ Executar els notebooks localmente
git clone https://github.com/cuberhaus/APA_Practica.git cd APA_Practica python -m venv .venv && source .venv/bin/activate pip install -r requirements.txt jupyter lab PracticaAPA-Hipotiroidismo-PolCasacubertaMartaGranero.ipynb