تعلم الآلة
التنبؤ بمرض السكري
Diabetes Prediction (Pima Indians)
تصنيف ثنائي لبيانات طبية فيها قيم مفقودة مخفية وعدم توازن، مع التركيز على الحساسية وAUC.
وصف المشكلة
التنبؤ بإصابة مريضة بالسكري خلال خمس سنوات من قياسات سريرية بسيطة. التحدي الحقيقي: قيم صفرية غير منطقية تمثل بيانات مفقودة، وفئات غير متوازنة (نحو الثلث مصاب).
حالة المشروع: دليل تنفيذ كامل بالخطوات والكود. لم يُشغّل الكود في بيئة إعداد الأكاديمية لأنه يحتاج Statistics and Machine Learning Toolbox وتنزيل البيانات، لذلك لا نعرض نتائج رقمية؛ شغّله في MATLAB وسجّل نتائجك بالمقاييس المذكورة.
الأهداف التعليمية
- اكتشاف القيم المفقودة المتخفية في صورة أصفار
- التعامل مع عدم التوازن
- المقارنة بـ AUC والحساسية لا بالدقة
- تفسير النموذج اللوجستي
البيانات المطلوبة
768 سجلاً × 8 ميزات (عدد مرات الحمل، الجلوكوز، ضغط الدم، سماكة الجلد، الإنسولين، BMI، دالة الوراثة، العمر) والهدف Outcome (0/1). ملف CSV.
مصدر البيانات:
خطوات التنفيذ
- اقرأ diabetes.csv بـ readtable.
- حوّل الأصفار في Glucose وBloodPressure وSkinThickness وInsulin وBMI إلى NaN.
- قسّم طبقياً 80/20.
- عوّض القيم المفقودة بوسيط التدريب.
- درّب انحداراً لوجستياً وغابة عشوائية.
- قارن AUC والحساسية عند عتبات مختلفة.
- فسّر المعاملات اللوجستية (Odds ratios).
المعالجة المسبقة
- أصفار غير ممكنة طبياً → NaN.
- تعويض بالوسيط من التدريب فقط.
- تقييس z-score للانحدار اللوجستي.
الخوارزمية
انحدار لوجستي (fitglm) كخط أساس قابل للتفسير، وغابة عشوائية (TreeBagger) للمقارنة. اختيار العتبة حسب الحساسية المطلوبة سريرياً.
كود MATLAB
T = readtable('diabetes.csv');
zeroAsMissing = {'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin', 'BMI'};
for k = 1:numel(zeroAsMissing)
v = T.(zeroAsMissing{k}); v(v == 0) = NaN; T.(zeroAsMissing{k}) = v;
end
rng(7);
cv = cvpartition(T.Outcome, 'HoldOut', 0.2);
Tr = T(training(cv), :); Te = T(test(cv), :);
X = Tr{:, 1:8}; med = median(X, 'omitnan');
fillMed = @(A) fillmissing(A, 'constant', med);
Xtr = fillMed(Tr{:, 1:8}); Xte = fillMed(Te{:, 1:8});
mu = mean(Xtr); sd = std(Xtr);
glm = fitglm((Xtr - mu) ./ sd, Tr.Outcome, 'Distribution', 'binomial');
pGlm = predict(glm, (Xte - mu) ./ sd);
rf = TreeBagger(300, Xtr, Tr.Outcome, 'Method', 'classification');
[~, sc] = predict(rf, Xte); pRf = sc(:, 2);
[fx, fy, ~, aucGlm] = perfcurve(Te.Outcome, pGlm, 1);
[~, ~, ~, aucRf] = perfcurve(Te.Outcome, pRf, 1);
fprintf('AUC logistic = %.3f, random forest = %.3f\n', aucGlm, aucRf);
thr = 0.35;
sens = sum(pGlm >= thr & Te.Outcome == 1) / sum(Te.Outcome == 1);
fprintf('sensitivity at threshold %.2f = %.3f\n', thr, sens);
disp(exp(glm.Coefficients.Estimate(2:end))') % odds ratio لكل انحراف معياريلم يُشغّل في بيئة الإعداد (يحتاج Statistics and Machine Learning Toolbox وبيانات خارجية). راجع الكود مع توثيق الدوال في إصدارك قبل التشغيل.
شرح الكود
- الأصفار في الأعمدة الخمسة مستحيلة طبياً فتُعامل كمفقودة.
- الوسيط وإحصاءات التقييس من التدريب فقط.
- perfcurve يحسب ROC وAUC.
- عتبة أقل من 0.5 ترفع الحساسية على حساب النوعية.
- odds ratio > 1 يعني أن الزيادة بانحراف معياري ترفع الخطر.
النتائج المتوقعة
سجّل AUC للنموذجين والحساسية والنوعية عند العتبة المختارة. توقع أن يكون الجلوكوز وBMI أقوى المتنبئات في النموذج اللوجستي.
مقاييس التقييم
- AUC
- الحساسية (Recall للفئة المصابة)
- النوعية
- F1
- Brier score لمعايرة الاحتمالات
القيود
- عينة من مجموعة سكانية واحدة (نساء من أصول Pima فوق 21 عاماً)؛ لا تعمم مباشرة.
- نسبة كبيرة من قيم الإنسولين مفقودة.
- النموذج تعليمي وليس أداة تشخيص.
