ML DL을 활용한 심장마비 데이터 분석_요약

프로젝트 진행 기간

• 2021-07-19(월) ~ 2021-07-23(금)

데이터 분석 목적

• 수업시간에 배운 ML, DL 활용 목적
• Kaggle에서 유명 Data 찾아서 진행
• 환자의 상태를 통하여 미래에 심장마비 발생 여부를 추론하는 모델 생성
• 멋쟁이 사자처럼 강의 내 팀 프로젝트 진행 내용

데이터 출처

• https://www.kaggle.com/rashikrahmanpritom/heart-attack-analysis-prediction-dataset
• Kaggle 내 유명한 심장마비 관련 Dataset으로 분석 진행
• 환자의 상태에 대한 정보와 심장마비 발생 여부에 대한 데이터

사용 라이브러리

• Numpy
• Pandas
• Sklearn
• Seaborn
• Tensorflow
• Keras

분석 프로세스

• 데이터 전처리
  • Outlier 존재 여부 확인
  • Data Split 진행
  • Onehotencoder 및 StandardScaler 적용
• 원본 데이터로 ML, DL, KerasTuner을 이용한 Parameter 최적화 진행
• SMOTE를 이용한 oversampling 진행
• Oversampling 진행한 Data로 ML, DL, GoogleAutoML에 적용
• 모델링 결과 비교

분석결과

• Oversampling 을 진행한 Data 와 원본데이터 간의 Modeling 결과가 큰 차이를 보이지 않음 (Google AutoML 결과와 Sequential 함수 결과 비교)
• Data가 부족할 경우 1순위로는 추가 데이터 확보를 진행해야 하나 방법이 없을 경우 대안으로 SMOTE도 가능함
• 분석 Data가 많거나 Hidden layer 및 perceptron수, batch size 나 epoch수에 따라서 학습 시간이 결정됨
• 분석 진행 시 Check point 설정 필요

한계

• Data에 대한 이해도가 부족했음
  • 의학 전문 용어가 있다보니 인터넷 검색으로 데이터 의미 확인에 한계가 있었음
  • 데이터 수량이 적어 임시방편으로 SMOTE를 이용하였으나, 통상적이라면 추가적인 데이터 확보가 필요함
  • Colab에서 KerasTuner을 이용하여 최적화를 진행하였으나 일일 용량문제 및 다운되는 현상이 종종 관찰됨
  • Google AutoML의 경우 비용 및 충분한 학습시간이 확보 필요