Hola!👋 Me llamo Nicolás Angel Lazarte, les presento mi proyecto individual de Machine Learning realizado durante el Bootcamp de Data Science de SoyHenry.
El proyecto consiste en desarrollar un análisis en torno a un problema de clasificación de estadías cortas o largas en pacientes Hospitalizados. Dicho análisis conyeva realizar una serie de pasos tales como el entendimiento de los datos, análisis exploratorio, preprocesamiento y las etapas propias del modelo de Machine Learning. Se disponen de datos históricos de pacientes con la duración en días de su estadía y para el análisis se considera una hospitalización corta de 8 días o menos.
Construir un modelo de Machine Learning optimizado que permita obtener buenas métricas de accuracy y recall. Se considera ésta última como prioritaria al querer predecir con mayor exhaustividad las estadías largas para el ingreso de pacientes.
- Data: Directorio donde se disponibilizan las fuentes de datos. Un archivo de hospitalizaciones_train que se considera para el desarrollo del modelo y otro hospitalizaciones_test que contiene datos nuevos sobre el cual el modelo debe realizar las predicciones correspondientes y comparado con los resultados reales otorgados por Henry
- Notebook Modelo: Notebook donde se desarrolla el proyecto de Machine Learning
En primer lugar se realiza un estudio de las fuente de datos disponibilizada en archivo .csv entendiendo cada una de las variables relativas al registro de cada paciente
Se hace una exploración de datos utilizando Pandas-Profiling para obtención de un reporte, pandas, matplotlib y seaborn para exploración de distribuciones, outliers, etc. Determino algunas observaciones necesarias para la selección de variables.
En esta etapa realizo el Feature Selection en base a ciertos criterios (correlación, tree-based selection, criterio propio), la división de los datos de entrenamiento (80%) y testeo (20%), y el conjunto de pasos de preprocesamiento de datos en el que incluyo PipeLines y ColumnTransformer para la unificación de todos los pasos de preprocesado.
En base a las variables seleccionadas y los datos preprocesados se seleccionan 5 modelos para entrenar en forma simultanea con los parámetros por defecto:
- Arbol de desición
- KNN
- Regresión logística
- SVM método lineal
- RandomForest
Se obtiene una tabla con los scores a considerar (accuracy en train-test y recall)
En algunos modelos se genera overfitting (Tree y RandomForest) por la diferencia entre los accuracy de entrenamiento y testeo por lo que se decide entrenar y testear nuevamente los modelos reduciendo la dimensionalidad. Se decide quitar algunas variables que contienen outliers y otras que se seleccionaron previamente por criterio propio pero que no tienen correlación con el target.
Se general algunas alternativas, de las cuales se elige DecisionTreeClasifier() con la mínima cantidad de variables correlacionadas. Luego se valida con Cross validation