Ver categorias
Explorar
Fiverr Pro
Português
$
USD
Vou criar um modelo de classificação binária para detecção de câncer
Cientista de dados
Sou um Cientista de Dados analítico, orientado por processos, com experiência prática em machine learning, deep learning, séries temporais, NLP e visão computacional. Tenho habilidade comprovada de tr...
Sobre este Serviço
Objetivo: Classificação binária com ênfase em minimizar falsos negativos.
Métricas: Priorização de Recall; ajuste de limiar baseado no custo dos erros.
Processo: limpeza de dados, seleção de variáveis, calibração e auditabilidade das decisões.
Necessário um conjunto de dados com múltiplas variáveis para serem usadas como features para diagnóstico adequado (rótulo) como detecção de câncer (teste positivo) ou ausência de câncer (teste negativo).
As features são padronizadas para garantir uniformidade na escala dos valores, de modo que possam ser feitas correlações entre elas, além da previsão do resultado como detecção ou ausência de câncer. Valores nulos de uma feature são imputados/substituídos pela mediana ou valores centrais típicos da feature.
O modelo utilizado é o LogisticRegression para realizar classificação binária, onde o resultado é 1 para detecção de câncer ou 0 para ausência de câncer. A avaliação da previsão é feita com base na pontuação de acurácia, além de precisão e especialmente recall para garantir mínimos falsos positivos (alta precisão) e falsos negativos (alto recall) conforme o diagnóstico adequado é feito (sem detecção falsa nem falsa alegação de ausência de câncer).
Meu portfólio
Outros serviços de Ciência de dados e ML que eu ofereço
Perguntas frequentes
Tradução automática
1. Que tipo de dado preciso fornecer para este serviço?
Você precisa fornecer um conjunto de dados limpo contendo múltiplas variáveis (por exemplo, sinais vitais do paciente, resultados de exames laboratoriais, features numéricas) junto com uma coluna alvo representando um resultado binário (por exemplo, 1 para câncer detectado, 0 para nenhum câncer detectado).
2. Como serão tratados valores ausentes no meu conjunto de dados?
Valores ausentes em features numéricas são imputados usando tendências centrais robustas, como a mediana da feature. Essa abordagem evita perda de dados enquanto mantém a distribuição original das suas features clínicas.
3. Por que a padronização das features é necessária para este modelo?
Padronizar features numéricas escala todas as variáveis para um intervalo uniforme. Isso permite que o modelo de Logistic Regression converja de forma eficiente, garante uma distribuição justa dos pesos das features e possibilita uma análise de correlação entre features com maior precisão.
4. Por que o Recall é priorizado em relação à acurácia neste projeto?
Em diagnósticos médicos como detecção de câncer, um falso negativo (afirmar que o paciente está saudável quando na verdade tem câncer) é muito mais crítico do que um falso positivo. Ao otimizar e ajustar o limiar para o Recall, minimizamos a chance de perder casos verdadeiros positivos.
5. Como você ajusta o limiar de decisão para o modelo de Logistic Regression?
Ao invés de usar o limiar padrão de 0,5 de probabilidade, o limiar é ajustado com base no custo relativo dos erros. Calibramos a fronteira de decisão para equilibrar o alto Recall (minimizando falsos negativos) e a alta precisão (limitando alarmes falsos desnecessários).
6. Vou receber um modelo interpretável e um código reproduzível?
Sim, com a compra do pacote Premium, você receberá um código limpo, documentado, abrangendo pré-processamento de dados, escalonamento de features, treinamento do modelo, ajuste de limiar e métricas de avaliação (Acurácia, Precisão, Recall, Matriz de Confusão) para garantir total auditabilidade.
