Projet Machine Learning - Classification du Cancer du Sein

Ce projet a été réalisé dans le cadre de mon cursus en B3 DEVIA DS à l'EPSI de Nantes. L'objectif est de construire des modèles de machine learning permettant de classifier des données relatives au cancer du sein issues de la base SEER Breast Cancer Data.

🧪 Objectif du projet

Développer, entraîner et comparer plusieurs modèles de classification pour déterminer les performances sur les données fournies. Une application Streamlit a également été développée pour permettre de tester le modèle de classification le plus performant.

📂 Arborescence du projet

data/
    breast_cancer.csv         # Données d'entraînement et de test
models/
    model_rdf.joblib          # Modèle Random Forest sauvegardé
venv/                         # Environnement virtuel Python
.gitignore                    # Fichiers et dossiers à ignorer par Git
app.py                        # Application Streamlit
bc.ipynb                      # Notebook contenant les analyses et les entraînements
README.md                     # Ce fichier
requirements.txt              # Dépendances du streamlit
SEER Breast Cancer Data.png

📊 Modèles Utilisés

Les modèles suivants ont été implémentés et comparés à l'aide de la librairie scikit-learn :

1. Random Forest
2. AdaBoost
3. Nearest Neighbors
4. Linear Discriminant Analysis (LDA)
5. Support Vector Classifier (SVC)
6. LightGBM

Le modèle Random Forest a été retenu comme le plus performant pour ce projet.

🌐 Application Streamlit

Une application interactive développée avec Streamlit permet de tester le modèle Random Forest sur des nouvelles données. L'application est disponible dans le fichier app.py.

Pour exécuter l'application :

streamlit run app.py

🛠️ Dépendances du Notebook

Le fichier bc.ipynb utilise plusieurs bibliothèques Python pour la manipulation des données, la visualisation et la modélisation machine learning. Voici un aperçu des bibliothèques nécessaires :

📦 Bibliothèques standard

• random : Génération de nombres aléatoires
• collections : Utilisé pour les OrderedDict
• time : Gestion du temps pour mesurer les performances

🧮 Manipulation des données

• pandas : Manipulation et analyse de données tabulaires
• numpy : Calculs numériques et gestion des matrices
• plotly et plotly.express : Visualisation de données interactive
• scipy.stats : Calcul de statistiques, comme les tests de contingence (chi2_contingency)

🤖 Machine Learning (ML)

• lightgbm : Implémentation de LightGBM pour le modèle LGBMClassifier
• scikit-learn :
  • Prétraitement des données (StandardScaler)
  • Division des données (train_test_split)
  • Évaluation des performances (accuracy_score, f1_score, etc.)
• shap : Explication des prédictions des modèles via les valeurs de Shapley

🔧 Installation

Il y a en haut du notebook une cellule avec les commmandes pip. Il faut de-commenter la cellule et l'exécuter.

📦 Dépendances Streamlit

Les dépendances de l'application streamlit sont listées dans le fichier requirements.txt. Pour les installer, utilisez la commande suivante :

pip install -r requirements.txt

📈 Résultats

Les performances des modèles ont été évaluées selon les métriques classiques de classification (accuracy, precision, recall, F1-score). Retrouvez les détails de l'analyse dans le notebook bc.ipynb.

Voici une section sur le déploiement à ajouter dans votre README.md :

---

🌐 Déploiement de l'Application Streamlit

L'application Streamlit a été déployée en ligne pour permettre de tester le modèle Random Forest directement depuis un navigateur. Vous pouvez accéder à l'application via le lien suivant :

👉 breast-cancer-lia.streamlit.app