کدگیت
1
0 محصول 0 تومان
ورود / ثبت نام
منو
کدگیت
0 محصول 0 تومان
  • صفحه اصلی
  • فروشگاه
    • سبد خرید
    • حساب کاربری
    • پرداخت
  • بلاگ
    • پایتون
    • جاوا
    • HTML
    • CSS
    • bootstrap
    • یادگیری ماشین
    • پردازش تصویر
  • طراحی سایت
  • پردازش تصویر
جستجو
خانه پروژه پایتون سورس تشخیص دیابت با Decision Trees
سورس تشخیص دیابت با Naïve Bayes
سورس تشخیص دیابت با Naïve Bayes 140,000 تومان
بازگشت به محصولات
سورس پیش بینی قیمت خانه با Linear Regression
سورس پیش بینی قیمت خانه با Linear Regression 140,000 تومان
بزرگنمایی تصویر

سورس تشخیص دیابت با Decision Trees

140,000 تومان

  • فرمت فایل: فایل پایتون (.py)
  • زبان برنامه نویسی: پایتون
  • Frame گرافیکی: دارد
  • ماژول استفاده شده: sklearn، seaborn، numpy، pandas، matplotlib
مقایسه
افزودن به علاقه مندی
دسته: deep learning, پایتون, پروژه پایتون, سورس پایتون, سورس کد, یادگیری عمیق, یادگیری ماشین برچسب: code, codegate, Decision Trees, Diabetes Database, diabetes detection, Machine Learning, matplotlib, numpy, pandas, python, sklearn, پایتون, تشخیص دیابت, درخت تصمیم, سورس پایتون, سورس کد, کدگیت, یادگیری ماشین
اشتراک گذاری:
  • توضیحات
  • توضیحات تکمیلی
  • نظرات (0)
توضیحات

در این قسمت تیم کدگیت سورس تشخیص دیابت با Decision Trees را تهیه کرده است. یادگیری ماشین وارد دنیای روزمره ما انسان‌ها شده است. دیگر از طریق یک تلفن همراه و نصب اپلیکیشن می‌توان یک بیماری را تشخیص داد. یادگیری ماشین، هوش مصنوعی و تمامی شاخه‌های آن در دنیای امروز کاربردهای بسیاری پیدا کرده است. با توجه به گسترش این شاخه از علم، ما نیز تصمیم گرفتیم سورسی از همین رشته تهیه و آماده سازی نماییم. سورس تشخیص دیابت که از الگوریتم Decision Trees استفاده می‌کند. با ما همراه باشید تا این سورس جذاب را معرفی کنیم.

سورس تشخیص دیابت با Decision Trees

تکنولوژی امروزه به سرعت در حال پیشرفت است. تشخیص عینک، تشخیص خودرو، تشخیص چشم و … تنها بخشی از پیشرفت تکنولوژی است که با کمک پردازش تصویر، بینایی ماشین و هوش مصنوعی قابل انجام است. در این قسمت سورس تشخیص دیابت با Decision Trees در پایتون را تهیه کرده‌ایم. برای این کار ما از ماژول sklearn و pandas و Numpy و Matplotlib و seaborn کمک می‌گیریم. در صورتی که با این ماژول‌ها آشنایی ندارید پیشنهاد می‌کنیم دوره آموزش پیش نیاز علم داده را مطالعه نمایید چراکه در این دوره تمامی ماژول‌های فوق (به استثنا sklearn) آموزش داده می‌شوند. همچنین دیتاست استفاده گردیده در این پروژه Diabetes Database می‌باشد.

نحوه اجرا سورس تشخیص دیابت

زبان برنامه نویسی سورس تشخیص دیابت، پایتون بوده و فرمت فایل .py است. بعد از تهیه سورس از سایت کدگیت فایلی با فرمت zip در اختیار شما قرار می‌گیرد. فایل را از حالت zip خارج کرده تا بتوانید سورس کد را ببینید. فایل اصلی برنامه با نام Decision Trees diabetes.py می‌باشد. این فایل را اجرا کنید تا برنامه اجرا شود. پس از اجرا خروجی زیر را مشاهده خواهید کرد:

سورس تشخیص دیابت با KNN

نمایش تعداد افراد مبتلا و غیر مبتلا به دیابت

سورس تشخیص دیابت با KNN

نمایش محدوده هر متغیر در دیتاست

مقایسه ویژگی‌های هر ستون از دیتاست

مقایسه متغیرهای دیتاست در یک نمودار

وابستگی ویژگی های دیتاست

بررسی وابستگی ویژگی‌ها

سورس تشخیص دیابت با Decision Trees

ماتریس confusion برای خروجی مدل Decision Trees

علاوه بر تصاویر بالا در کنسول خروجی زیر را خواهید دید:

(768, 9)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 768 entries, 0 to 767
Data columns (total 9 columns):
 #   Column                    Non-Null Count  Dtype
---  ------                    --------------  -----
 0   Pregnancies               768 non-null    int64
 1   Glucose                   768 non-null    int64
 2   BloodPressure             768 non-null    int64
 3   SkinThickness             768 non-null    int64
 4   Insulin                   768 non-null    int64
 5   BMI                       768 non-null    float64
 6   DiabetesPedigreeFunction  768 non-null    float64
 7   Age                       768 non-null    int64
 8   Outcome                   768 non-null    int64
dtypes: float64(2), int64(7)
memory usage: 54.1 KB
None
                          count        mean         std     min       25%       50%        75%     max
Pregnancies               768.0    3.845052    3.369578   0.000   1.00000    3.0000    6.00000   17.00
Glucose                   768.0  120.894531   31.972618   0.000  99.00000  117.0000  140.25000  199.00
BloodPressure             768.0   69.105469   19.355807   0.000  62.00000   72.0000   80.00000  122.00
SkinThickness             768.0   20.536458   15.952218   0.000   0.00000   23.0000   32.00000   99.00
Insulin                   768.0   79.799479  115.244002   0.000   0.00000   30.5000  127.25000  846.00
BMI                       768.0   31.992578    7.884160   0.000  27.30000   32.0000   36.60000   67.10
DiabetesPedigreeFunction  768.0    0.471876    0.331329   0.078   0.24375    0.3725    0.62625    2.42
Age                       768.0   33.240885   11.760232  21.000  24.00000   29.0000   41.00000   81.00
Outcome                   768.0    0.348958    0.476951   0.000   0.00000    0.0000    1.00000    1.00
Pregnancies                 0
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64
used column:  Glucose, BloodPressure, SkinThickness, Insulin, BMI
is Null?
Pregnancies                 0
Glucose                     0
BloodPressure               0
SkinThickness               0
Insulin                     0
BMI                         0
DiabetesPedigreeFunction    0
Age                         0
Outcome                     0
dtype: int64
X_train shape: (614, 4)
X_test shape: (154, 4)
Y_train shape: (614,)
Y_test shape: (154,)
Decision tree: 72.72727272727273
[[81 19]
 [23 31]]

در خروجی بالا اطلاعات زیر قرار گرفته است:

  • ابعاد دیتاست
  • اطالعات آمادی دیتاست
  • اندازه ابعاد دیتا تست و train
  • دقت مدل پس از train
  • …

فایل‌ها و ماژول‌ها سورس کد

در سورس تشخیص دیابت از فایل‌ها و ماژول‌های زیر استفاده گردیده است:

  • Numpy: نصب numpy با دستور pip install numpy از طریق cmd انجام می‌شود.
  • pandas: با دستور pip install pandas از طریق cmd، نصب این ماژول انجام می‌شود.
  • matplotlib: دستور pip install matplotlib را در cmd بزنید.
  • seaborn: برای نصب seaborn نیز در cmd دستور pip install seaborn را بنویسید.
  • scikit-learn: نصب scikit-learn با دستور pip install scikit-learn از طریق cmd انجام می‌شود.

برای نصب پایتون به طوری که در CMD بتوانید کدهای پایتون را اجرا و ماژول‌ها را نصب نمایید ویدئو زیر را حتماً مشاهده کنید:

توضیحات تکمیلی
programming-languages

پایتون

فرمت-فایل

.py

frame-گرافیکی

دارد

تست-شده

توسط کارشناسان تیم کدگیت

نظرات (0)

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “سورس تشخیص دیابت با Decision Trees” لغو پاسخ

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مرتبط

سورس ساخت پسورد با پایتون
مقایسه

سورس ساخت پسورد با پایتون

85,000 تومان
در این قسمت تیم کدگیت را با سورس ساخت پسورد با پایتون همراهی کنید. در این پروژه با رعایت اصول
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
سورس ضرب ماتریس در سی پلاس پلاس
مقایسه

سورس ضرب ماتریس در سی پلاس پلاس (روش بازگشتی)

80,000 تومان
در این قسمت تیم کدگیت سورس ضرب ماتریس در سی پلاس پلاس آماده کرده است. با استفاده از زبان سی
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
سورس الگوریتم Naive در سی پلاس پلاس
مقایسه

دانلود سورس الگوریتم Naive در سی پلاس پلاس

80,000 تومان
در این قسمت تیم کدگیت سورس الگوریتم Naive در سی پلاس پلاس آماده کرده است. با استفاده از زبان سی پلاس پلاس
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
مقایسه

دانلود سورس محیط مثلث در سی پلاس پلاس

80,000 تومان
در این قسمت تیم کدگیت سورس محیط مثلث در سی پلاس پلاس آماده کرده است. با استفاده از زبان سی پلاس
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
سورس درخت قرمز و سیاه در سی پلاس پلاس
مقایسه

دانلود سورس درخت قرمز و سیاه در سی پلاس پلاس

80,000 تومان
در این قسمت تیم کدگیت سورس درخت قرمز و سیاه در سی پلاس پلاس آماده کرده است. با استفاده از
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
مقایسه

تشخیص جنسیت و سن در پایتون

100,000 تومان
امتیاز 5.00 از 5
  • استفاده از هوش مصنوعی
  • تشخیص سن و جنسیت به صورت همزمان
  • نمایش جنسیت و سن در خروجی تصویر
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
پروژه الگوریتم های مرتب سازی در جاوا
مقایسه

پروژه الگوریتم های مرتب سازی در جاوا

80,000 تومان

سفارش پروژه

در صورتی که پروژه مشابه و یا پروژه های دیگری در زمینه برنامه‌نویسی جاوا دارید می‌توانید از طریق تلگرام و یا شماره واتس آپ 09373430268 پیغام داده تا در اسرع وقت پروژه شما بررسی و پیاده سازی گردد.
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
سورس لیست پیوندی دوطرفه در سی پلاس پلاس
مقایسه

سورس لیست پیوندی دوطرفه در سی پلاس پلاس

80,000 تومان
در این قسمت تیم کدگیت سورس لیست پیوندی دوطرفه در سی پلاس پلاس آماده کرده است. با استفاده از زبان
افزودن به علاقه مندی
افزودن به سبد خرید
مشاهده سریع
  • جاوا
  • پایتون
  • سی شارپ
  • سی پلاس پلاس
  • HTML
  • سورس جاوا
  • سورس پایتون
  • سورس سی پلاس پلاس
  • دوره پیش‌نیاز علم داده
  • دوره ماژول turtle
  • دوره مقدماتی پایتون
Twitter Paper-plane Instagram

استفاده از مطالب سایت کدگیت فقط برای مقاصد غیرتجاری و با ذکر منبع بلامانع است.
© کلیه حقوق این سایت متعلق به کدگیت می‌باشد.

  • صفحه اصلی
  • فروشگاه
    • سبد خرید
    • حساب کاربری
    • پرداخت
  • بلاگ
    • پایتون
    • جاوا
    • HTML
    • CSS
    • bootstrap
    • یادگیری ماشین
    • پردازش تصویر
  • طراحی سایت
  • پردازش تصویر
  • علاقه مندی
  • مقایسه
  • ورود / ثبت نام
ورود
بستن

رمز عبور را فراموش کرده اید؟

هنوز حساب کاربری ندارید؟

ایجاد حساب کاربری
فروشگاه
علاقه مندی
0 محصول سبد خرید
حساب کاربری من