تشخیص ریسک دیابت

هدف و راهنمای انجام

پیش‌پردازش ویژگی‌های دودویی و ارزیابی recall در مسئلهٔ سلامت

ورودی

request.json شامل train، test، features و target=class است.

خروجی

result.json با برچسب ریسک پیش‌بینی‌شدهٔ هر سطر test.

1. مقادیر yes/no را به ویژگی عددی تبدیل کن.
2. مدل KNN یا فاصله‌ای را فقط روی train آموزش بده.
3. confusion matrix و recall کلاس پرخطر را بررسی کن.
4. predictions را ذخیره کن.

این خروجی آموزشی است و تشخیص پزشکی محسوب نمی‌شود.

مثال ورودی و خروجی

{
    "input": {
        "train": "diabetes.csv با class",
        "test": "سطرهای بدون class"
    },
    "output": "predictions"
}

معیارهای موفقیت

• همهٔ سطرهای test پیش‌بینی می‌شوند
• macro-F1 حداقل ۰٫۸۰ است
• برای کلاس‌ها برچسب معتبر تولید می‌شود

کتابخانه‌ها: pandas, numpy