Pharma-Analytics und Analyse von Patient-Feedback
Drug Feedback Analytics und Condition Classification
Interaktive Machine-Learning-Anwendung zur Analyse von patientenbasiertem Drug Feedback und zum Testen einer Condition-Classification über eine deployte Streamlit-Oberfläche.
Projekt-Snapshot
Kompakter Überblick
Bereich
Pharma-Analytics und Analyse von Patient-Feedback
Projekttyp
Persönliches Applied-ML-Projekt
Oberfläche
Streamlit-Webanwendung
Zentrale ML-Aufgabe
Condition-Classification
Datensatz
Drug-Feedback-Datensatz
Technologien
Python, Pandas, Scikit-learn, Streamlit, Sentence Transformers, Matplotlib, Seaborn
Deployment
Streamlit
Problem
Warum dieses Projekt gebaut wurde
Interaktive ML-Anwendung zur Analyse von patientenbasiertem Drug Feedback und zur Condition-Classification.
Bedeutung
Warum das wichtig ist
Dieses Projekt verbindet meine Erfahrung aus der Pharmaindustrie mit praktischer Machine-Learning-Arbeit und einer deployten, interaktiven Anwendung.
Beitrag
Was ich entwickelt habe
- Streamlit-Anwendung für Drug-Feedback-Analyse und Live-Prediction entwickelt.
- EDA-Ansichten für Verteilungen, Korrelationen und Feature-Zusammenhänge erstellt.
- Numerische, kategorische und textbasierte Features für ML-Workflows vorbereitet.
- Classification-, Clustering- und Regression-Workflows in einer Oberfläche umgesetzt.
Workflow
Vom Datensatz bis zur Prediction
Schritt 1
Datensatz
Schritt 2
EDA und Vorverarbeitung
Schritt 3
Feature Engineering
Schritt 4
Modelle und Live-Prediction
Demo
Live-Demo testen
Öffnen Sie die deployte Streamlit-Anwendung und testen Sie den Prediction-Workflow direkt.
- 1App öffnen
- 2Überblick ansehen
- 3EDA-Seite prüfen
- 4Classification-Bereich öffnen
- 5Prediction-Formular nutzen
- 6Prediction testen
Ergebnis
Aktuelle Ergebnisse der Anwendung
Die deployte Streamlit-Anwendung zeigt aktuell folgende Ergebnisse:
Classification
Test Accuracy: 69,14 %
Der Classification-Workflow sagt Medical-Condition-Kategorien auf Basis von patientenbasierten Drug-Feedback-Features voraus.
Clustering-Experiment
Adjusted Rand Index: 1,00
Der Clustering-Workflow ist als zusätzliche Analyse-Exploration enthalten.
Regression-Experiment
Mean Absolute Error: 0,0148
Der Regression-Workflow ist als zusätzliche Analyse-Exploration enthalten.
Classification ist der zentrale Portfolio-Workflow. Clustering und Regression sind zusätzliche explorative Komponenten der Anwendung.