Icon

JKI2_​025_​Detecting_​the_​Presence_​of_​Heart_​Disease

Just KNIME It! Season2
の第25回課題に回答しました。

https://www.knime.com/just-knime-it

Just KNIME It! Season2課題25: 心臓病の有無を検出するレベル: 中程度説明: あなたは、ヘルスケア企業のデータサイエンティストとして、患者の心臓病の有無を予測するモデルを作成しようとしています。現在、あなたは 11 個の異なる特徴（潜在的な心臓病の指標）と XGBoost 分類モデルで実験しており、そのチューニングの仕方によって性能がかなり変わることに気づきました。この課題では、XGBoost のブースティング反復回数、ツリーの最大深度、および学習率のハイパーパラメータの最適値を見つけるために、ハイパーパラメータのチューニングを実装します。チューニングの目的関数として指標F-Measureを使用します。データセット：https://hub.knime.com/alinebessa/spaces/Just%20KNIME%20It!%20Season%202%20-%20Datasets/latest/Challenge%2025%20-%20Dataset~Xh_TP9jlPsagsl0o/ 比較対象：AutoMLのXGBoostより高い精度を目標にする 予測性能確認 データ前処理 F-Measureを指標として3種のハイパーパラメータの最適化 heart.csv80:20Target:"HeartDisease'文字列型へnormalization4分割してクロスバリデーションF-Measureの平均値算出RowIDを再発行一番上の行のみに絞るPredictexecute up-streambefore configurationXGBoost 分類モデルNumber of Boosting RoundsMax Tree Depthlearning rate(η, eta)を最適化3つのハイパーパラメータの最適の組み合わせを探索"1"すなわち発症している方に注目して予測精度を見ることにする予測実行上記で最適化したハイパーパラメータでモデル作成F-measure確認F-Measureを変数で渡すクロスバリデーション結果集計各ハイパーパラメータを変数として出力CSV Reader Partitioning Number To String Normalizer X-Partitioner Math Formula XGBoost Predictor RowID Row Filter Workflow Executor AutoML XGBoost TreeEnsemble Learner Parameter OptimizationLoop Start ParameterOptimization Loop End Scorer Row Filter Scorer XGBoost Predictor XGBoost TreeEnsemble Learner Scorer Table Rowto Variable Loop End Table Rowto Variable Just KNIME It! Season2課題25: 心臓病の有無を検出するレベル: 中程度説明: あなたは、ヘルスケア企業のデータサイエンティストとして、患者の心臓病の有無を予測するモデルを作成しようとしています。現在、あなたは 11 個の異なる特徴（潜在的な心臓病の指標）と XGBoost 分類モデルで実験しており、そのチューニングの仕方によって性能がかなり変わることに気づきました。この課題では、XGBoost のブースティング反復回数、ツリーの最大深度、および学習率のハイパーパラメータの最適値を見つけるために、ハイパーパラメータのチューニングを実装します。チューニングの目的関数として指標F-Measureを使用します。データセット：https://hub.knime.com/alinebessa/spaces/Just%20KNIME%20It!%20Season%202%20-%20Datasets/latest/Challenge%2025%20-%20Dataset~Xh_TP9jlPsagsl0o/ 比較対象：AutoMLのXGBoostより高い精度を目標にする 予測性能確認 データ前処理 F-Measureを指標として3種のハイパーパラメータの最適化 heart.csv80:20Target:"HeartDisease'文字列型へnormalization4分割してクロスバリデーションF-Measureの平均値算出RowIDを再発行一番上の行のみに絞るPredictexecute up-streambefore configurationXGBoost 分類モデルNumber of Boosting RoundsMax Tree Depthlearning rate(η, eta)を最適化3つのハイパーパラメータの最適の組み合わせを探索"1"すなわち発症している方に注目して予測精度を見ることにする予測実行上記で最適化したハイパーパラメータでモデル作成F-measure確認F-Measureを変数で渡すクロスバリデーション結果集計各ハイパーパラメータを変数として出力CSV Reader Partitioning Number To String Normalizer X-Partitioner Math Formula XGBoost Predictor RowID Row Filter Workflow Executor AutoML XGBoost TreeEnsemble Learner Parameter OptimizationLoop Start ParameterOptimization Loop End Scorer Row Filter Scorer XGBoost Predictor XGBoost TreeEnsemble Learner Scorer Table Rowto Variable Loop End Table Rowto Variable

Nodes

Extensions

Links

Download

To use this workflow in KNIME, download it from the below URL and open it in KNIME:

Download Workflow
Created by: roberto.cadili
Created at: 2023-03-10
On NodePit since: 2023-09-16
Last update: 2024-04-26
Created with KNIME version: v4.7.4
Tags: KNIMESTJKISeason2-25

Deploy, schedule, execute, and monitor your KNIME workflows locally, in the cloud or on-premises – with our brand new NodePit Runner.

Try NodePit Runner!