Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/sungj921028/depression-prediction
A depression prediction with the dataset on kaggle competition, using machine learning
https://github.com/sungj921028/depression-prediction
kaggle-competition kaggle-dataset machine-learning python3 skilearn
Last synced: 1 day ago
JSON representation
A depression prediction with the dataset on kaggle competition, using machine learning
- Host: GitHub
- URL: https://github.com/sungj921028/depression-prediction
- Owner: SunGj921028
- Created: 2025-01-01T16:21:39.000Z (8 days ago)
- Default Branch: main
- Last Pushed: 2025-01-01T16:31:55.000Z (8 days ago)
- Last Synced: 2025-01-01T17:32:53.098Z (8 days ago)
- Topics: kaggle-competition, kaggle-dataset, machine-learning, python3, skilearn
- Language: Jupyter Notebook
- Homepage:
- Size: 5.64 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
### 實作資料集
- 資料集屬於 Kaggle Playground series - Season 4 的 Epiosode 11
- 是一份**合成資料集**（synthetically-generated datasets）
- 用以平衡現實性或提供一些更有趣的數據集
---
### 資料集敘述與說明：
- 透過一個深度學習模型基於 Depression Survey/Dataset for Analysis 而生成的數據集，但保留了與原始資料相似的分佈特性
- 資料集敘述中有提到有刻意的留下一些「**數據異常**」或「**特徵干擾**」
- 資料集包含兩份檔案
- train.csv
- 訓練數據集，包含多個特徵（數值型、類別型）以及目標欄位（Depression）
- 總共有（0 - 140699）筆
- test.csv
- 測試數據集，參賽者需利用模型**預測其目標欄位**
---
### 資料集目的：
- 基於心理健康調查數據，探索影響個體是否可能經歷憂鬱症的**因素**，並建立**分類模型**來**預測憂鬱症的可能性**
---
#### 資料集來源：
- [Exploring Mental Health Data](https://www.kaggle.com/competitions/playground-series-s4e11/data)
---
### 採用的 Machine Learning Method：
#### 資料前處理：
- 將資料的 **`Depression`** 欄位與原始資料分成兩份資料
- 將以下兩個欄位進行 **mapping**，以防止 One-hot vector 轉換成**全 0** 的數值
- **Sleep Duration**
```py
sleep_mapping = {
"More than 8 hours":9,
'Less than 5 hours':4,
'5-6 hours':5.5,
'7-8 hours':7.5,
'1-2 hours':1.5,
'6-8 hours':7,
'4-6 hours':5,
'6-7 hours':6.5,
'10-11 hours':10.5,
'8-9 hours':8.5,
'9-11 hours':10,
'2-3 hours':2.5,
'3-4 hours':3.5,
'Moderate':6,
'4-5 hours':4.5,
'9-6 hours':7.5,
'1-3 hours':2,
'1-6 hours':4,
'8 hours':8,
'10-6 hours':8,
'Unhealthy': 3,
'Work_Study_Hours':6,
'3-6 hours':3.5,
'9-5':7,
'9-5 hours': 7,
'49 hours': 7,
'35-36 hours': 5,
'40-45 hours': 6,
'Pune': 6,
'Indore': 6,
'45': 6,
'55-66 hours': 8.5,
'than 5 hours': 5,
'45-48 hours': 6.5,
'No': 6,
'Sleep_Duration': 6,
}
```
- **Dietary Habits**
```py
dietary_mapping = {
'Unhealthy': 0,
'Less Healthy': 0,
'No Healthy': 0,
'Less than Healthy': 0,
'Moderate': 1,
'Healthy': 2,
'More Healthy': 2,
'Yes': 2,
'No': 0,
}
```
- Drop 掉以下的欄位
- **`id`**
- **`Name`**
- **`City`**
- **`Profession`**
- **`Degree`**
- 因為有觀察到 **missing value**，所以進行缺失值填補
- **`SimpleImputer()`**
- **類別型**的資料透過**眾數（most_frequent）填補**，**數值型**的資料透過**平均數（median）填補**
- 特徵處理：
- 對類別特徵進行 One-Hot Encoder，對數值特徵進行 **`StandardScaler()`** 處理
---
### 模型的訓練：
- 使用 **support vector machine（SVM**）進行分類任務
- 呼叫 **`SVC（）`**，並設定參數
- 使用 **`train_test_split()`** 將資料以（8:2）分成訓練、測試集
- 採取 5-fold （**`KFold(5)`**） 的方式進行交叉驗證，以 accuracy 為準
- 訓練過程中透過 **`compute_class_weight()`** 計算 Depression 兩種類別的 weight
- 透過 **`GridSearchCV()`**，尋找最佳參數組合
---
### 執行環境與設定：
- 使用語言及版本：**python 3.12.6**
- 使用的 python module 如下（需要預先裝好）
- `matplotlib.pyplot`
- `pandas`
- `numpy`
- `sklearn`
- `model_selection`：模型設定相關
- `impute`：填補缺失值
- `preprocessing`：轉換型別與標準化
- `sklearn.utils.class_weight`：進行訓練資料類別平衡
- `metrics`：評估相關
- `class_weight`：計算類別的 weight
- `SVM`：SVC（）的模型
- `impute`：數據填補
- `compose, pipeline`
---
### 執行方式：
1. 將所需的 kaggle 資料集放入名為 **data** 的資料夾中
2. 執行 python 指令
```python
python main.py
```
3. 觀察評估結果（accuracy, recall, precision, f1-score, confusion matrix）以及實際的三種 submission file
---
### Result：
#### 三種參數的比較效果
#### 評估指標比較圖
#### Kaggle Leaderboard
