KubraParmak/pcos-xgboost-model

PCOS XGBoost Sınıflandırıcı

Polikistik Over Sendromu (PCOS) teşhisini desteklemek amacıyla eğitilmiş XGBoost tabanlı sınıflandırma modelidir.

Model Detayları

Parametre	Değer
Algoritma	XGBoost
n_estimators	300
learning_rate	0.05
max_depth	5
scale_pos_weight	2 (sınıf dengesi)
Ön işleme	MinMaxScaler

Dosyalar

Dosya	Açıklama
xgboost_model.pkl	Eğitilmiş XGBoost modeli (joblib)
scaler.pkl	Fit edilmiş MinMaxScaler (joblib)
feature_names.json	Giriş özelliklerinin sıralı listesi

Eğitim Verisi

• Kaynak: PCOS_data.csv (Kaggle PCOS Dataset)
• Ön işlem adımları:
  • LH, FSH, FSH/LH sütunlarında IQR yöntemiyle aykırı değer temizliği
  • Yüksek korelasyonlu sütunlar çıkarıldı (Hip, BMI, Avg. F size (R))
  • II beta-HCG sütunundaki bozuk değerler (1.99. gibi) train median'ıyla dolduruldu
  • Train/test ayrımı: %80 / %20, stratify=True

Performans

Notebook çıktılarından elde edilen değerleri buraya ekle:

Accuracy : ~0.XX
Precision: ~0.XX  (PCOS sınıfı)
Recall   : ~0.XX  (PCOS sınıfı)
F1-Score : ~0.XX  (PCOS sınıfı)

Kullanım

import joblib, json, numpy as np
from huggingface_hub import hf_hub_download

REPO = "KubraParmak/pcos-xgboost-model"
model  = joblib.load(hf_hub_download(REPO, "xgboost_model.pkl"))
scaler = joblib.load(hf_hub_download(REPO, "scaler.pkl"))
with open(hf_hub_download(REPO, "feature_names.json")) as f:
    features = json.load(f)

# Örnek tahmin (özellik sırası feature_names.json ile aynı olmalı)
X = np.array([[25, 65, 162, 75, 16, 13, 1, 5, ...]]) 
X_scaled = scaler.transform(X)
pred = model.predict(X_scaled)       # 0: Sağlıklı, 1: PCOS
prob = model.predict_proba(X_scaled) # [P(sağlıklı), P(PCOS)]

Sınırlamalar

• Bu model klinik karar desteği amaçlıdır; tıbbi tanı yerine geçmez.
• Model yalnızca eğitildiği veri dağılımı için geçerlidir.
• LIME açıklanabilirlik çıktıları model repo'suna dahil değildir.

Yazar

Kübra Parmak GitHub: KbrPrmk | HuggingFace: KubraParmak