نظرة عامة:
تم بناء نموذج تعلم آلي للتنبؤ بوجود أمراض القلب باستخدام بيانات سريرية وديموغرافية للمرضى.

البيانات:
مجموعة بيانات أمراض القلب من UCI
(303 عينة، 14 خاصية)

سير العمل (Pipeline):
تنظيف البيانات والمعالجة المسبقة
ترميز الخصائص وتوحيد المقاييس
التحليل الاستكشافي للبيانات (EDA)
اختيار الخصائص وتقليل الأبعاد

النماذج المستخدمة:
الانحدار اللوجستي LR
شجرة القرار DT
الغابة العشوائية RF
آلة المتجهات الداعمة (SVM)

التقنيات:
اختيار الخصائص باستخدام Random Forest وRFE واختبار كاي تربيع
تقليل الأبعاد باستخدام PCA
ضبط المعاملات (Hyperparameter Tuning) باستخدام
GridSearchCV وRandomizedSearchCV

النتائج:
حقق نموذج الغابة العشوائية أفضل أداء بدقة تقارب 94٪ مع قيمة ROC-AUC قوية
ساهم تقليل الخصائص في تحسين استقرار النماذج

النشر / المخرجات:
تصدير النموذج المدرّب بصيغة .pkl لإعادة الاستخدام

الأدوات المستخدمة:
Python، Pandas، NumPy، Scikit-learn، Matplotlib، Seaborn