Розробка інтелектуальної метаансамблевої моделі класифікації медичних даних для прогнозування інсульту на мові програмування Python

Abstract

Метою роботи є створення програмної системи для підвищення точності прогнозування медичних ризиків шляхом реалізації мета метаансамблевого підходів, які об’єднують різні алгоритми класифікації, такі як Random Forest, XGBoost, LightGBM та CatBoost. Запропонований підхід дозволяє підвищити узагальнювальну здатність моделей, зменшити похибку класифікації та підвищити стійкість результатів при роботі з реальними даними. У роботі реалізовано архітектуру трирівневої системи, що включає модулі збору та підготовки даних, навчання ансамблів і метамоделі (stacking), а також блок оцінювання якості класифікації за метриками Accuracy, Recall, Precision, F1-score та ROC-AUC. Проведено порівняльний аналіз ефективності базових і ансамблевих моделей, результати якого підтверджують перевагу метаасемблевого підходу у стабільності та точності прогнозування. Розроблена система може бути адаптована для вирішення інших прикладних задач класифікації в межах інженерії програмного забезпечення, зокрема у сферах медицини, фінансів та промислової аналітики. Робота демонструє практичне застосування методів машинного навчання підкреслює важливість метаасемблевих технологій у підвищенні ефективності класифікаційних процесів.

The aim of the thesis is to develop a software system for improving the accuracy of medical risk prediction through the implementation of meta-ensemble approaches that combine various classification algorithms, such as Random Forest, XGBoost, LightGBM, and CatBoost. The proposed approach enhances the generalization ability of the models, reduces classification error, and increases the robustness of results when working with real-world data. The thesis implements a three-level system architecture that includes modules for data collection and preprocessing, ensemble and meta-model (stacking) training, as well as a performance evaluation block based on the metrics Accuracy, Recall, Precision, F1- score, and ROC-AUC. A comparative analysis of the effectiveness of base and ensemble models was conducted, the results of which confirm the superiority of the meta-ensemble approach in terms of prediction stability and accuracy. The developed system can be adapted to solve other applied classification problems within the field of software engineering, in particular in medicine, finance, and industrial analytics. The thesis demonstrates the practical application of machine learning methods and emphasizes the importance of meta-ensemble technologies in improving the efficiency of classification processes.