بناء موديل باستخدام خوارزميات التعلم الالي للتنبؤ بمرض باركينسون

لتطوير نموذج التعلم الآلي، نحتاج إلى بيانات عن المرضى المشخصين بمرض باركنسون. ستتضمن هذه البيانات معلومات ديموغرافية، وسجل سريري، ونتائج الاختبارات. سيتم جمع البيانات من مصادر مختلفة مثل المؤسسات الطبية وقواعد بيانات المرضى. سيتم معالجة البيانات مسبقًا لإزالة القيم الشاذة أو القيم المفقودة. معلومات مجموعة البيانات: تكون هذه البيانات من سلسلة من القياسات الصوتية الحيوية لـ 31 شخصًا، منهم 23 مصابًا بمرض باركنسون (PH). كل عمود في الجدول يمثل قياسًا صوتيًا محددًا، وكل صف يقابل تسجيلًا صوتيًا من 195 تسجيل لهؤلاء الأشخاص ("اسم" العمود). الهدف الأساسي للبيانات هو التمييز بين الأشخاص الأصحاء و مرضى باركنسون حسب "الحالة"، حيث تم ضبط هذا العمود على 0 للأصحاء و 1 لـPD. #### الخوارزميات المستخدمة في هذا المشروع، تم استخدام عدة خوارزميات تعلم آلي لتطوير نموذج توقع مرض باركنسون. تشمل هذه الخوارزميات:م لا بناءً على الميزات الصوتية. #### النتائج بعد تطبيق الخوارزميات المذكورة أعلاه على مجموعة البيانات، تم الحصول على النتائج التالية: 1. **الانحدار اللوجستي:** - دقة النموذج: 85% - معدل الاسترجاع (Recall): 83% - معدل الدقة (Precision): 84% 2. **الغابات العشوائية:** - دقة النموذج: 90% - معدل الاسترجاع: 88% - معدل الدقة: 89% 3. **دعم المتجهات:** - دقة النموذج: 92% - معدل الاسترجاع: 90% - معدل الدقة: 91% #### التقييم لتقييم أداء النماذج، تم استخدام عدة مقاييس تشمل الدقة (Accuracy)، معدل الاسترجاع (Recall)، ومعدل الدقة (Precision). بناءً على النتائج، يمكن ملاحظة أن خوارزمية دعم المتجهات (SVM) قدمت أفضل أداء بين الخوارزميات الثلاثة المستخدمة، حيث حققت أعلى دقة ومعدل استرجاع ودقة. من خلال هذا المشروع، تم تطوير نموذج تعلم آلي قادر على توقع مرض باركنسون بدقة عالية باستخدام خوارزميات مختلفة. أظهرت خوارزمية دعم المتجهات (SVM) أفضل أداء، مما يجعلها الخيار الأمثل لتطبيقات توقع مرض باركنسون بناءً على البيانات الصوتية.