Trabalho realizado por:
- Afonso Coelho (FCUP_IACD:202305085)
- Diogo Amaral (FCUP_IACD:202305187)
- Miguel Carvalho (FCUP_IACD:202305229)
O objetivo deste projeto é abordar um caso real do conjunto de dados, representativo de pacientes que sofrem de Carcinoma Hepatocelular (HCC), mais comumente conhecido como cancro do fígado. O conjunto mencionado de dados HCC (hcc_dataset.csv) foi recolhido no Centro Hospitalar e Universitário de Coimbra (CHUC) em Portugal, e contém dados clínicos reais de pacientes diagnosticados com HCC.
Pretende-se, portanto, desenvolver vários algoritmos SML (Supervised Machine Learning), capazes de classificar os pacientes relativamente à sua sobrevivência após 1 ano do diagnóstico (aspeto identificado na coluna "Class" com "Lives" ou "Dies").
Para visitar o Streamlit onde está documentado todo o processo, auxiliado por gráficos relevantes ao projeto, clique aqui.
Este programa trabalha com um intrepetador Python e usa um ambiente virtual conda de forma a facilitar a instalação das dependências necessárias para a utilização do Jupyter Notebook. O notebook mencionado está guardado no ficheiro de nome polirTabela.ipybn que, passo a passo, mostrará a progressão do projeto, bem como o nosso processo lógico e a forma como decidimos atacar o problema.
A escolha da utilização de um ambiente conda derivou dos seguintes fatores:
-
Bibliotecas extensas: a implementação de um ambiente virtual automatiza a instalação das bibliotecas, facilitando o acesso e reduzindo o de tempo perdido na instalação das mesmas;
-
Isolamento de dependências: ao criar um ambiente separado, evitam-se conflitos entre bibliotecas de outros projetos e garante-se a compatibilidade;
-
Organização: sendo este ambiente naturalmente mais reduzido em relaçáo ao ambiente nativo da máquina, a sua utilização mantém a pasta do Python organizada e facilita a identificação de bibliotecas;
-
Reprodutibilidade: a criação de um ficheiro requirements.txt facilita a partilha e a execução do código em diferentes máquinas, tornando o programa compatível em qualquer máquina;
-
Gestão de versões: pela simplicidade da ferramenta
conda, torna-se fácil instalar e manter diferentes versões de bibliotecas para cada projeto, sem nunca correr o risco de causar conflitos de dependências; -
Leveza: a transmissão e instalação do ambiente é facilitada com pelo ficheiro requirements.txt sendo portanto apenas necessários menos que
30 KBde espaço livre em disco para obter a lista detalhada com todas as bibliotecas utilizadas.
- Conda
- VSCode
- Git (opcional)
Extrair o .zip da página GitHub e descomprimir o ficheiro
OU
Abrir terminal (CMD, PowerShell, Anaconda Prompt, ou outros que reconheçam o comando conda), navegar até a pasta onde deseja instalar o repositório, e introduzir o seguinte código:
git clone https://github.com/Bugss05/IACD_Predicting_Hepatocellular_Carcinoma_through_SML.git
Caso ainda não o tenha feito, abrir um dos terminais mecionados no passo anterior
Introduzir o seguinte código:
cd <diretorio_do_repositorio>
conda create -n dataSci --file requirements.txt
E esperar que a instalação esteja concluida
Abrir o VSCode e, na barra de pesquisa no topo do ecrã, digitar:
>Python: Select Interpreter
Clicar Enter, e selecionar o interpretador de Python que tenha como nome Python 3.11.7 ('dataSci')
Navegar até ao diretório correto através do terminal e abrir o ficheiro .py ou .ipynb desejado:
cd <diretorio_do_repositorio>
polirTabela.ipynb (por exemplo)
Lembrete: Não é necessário instalar estas bibliotecas individualmente.
| Package | Version |
|---|---|
| pandas | 1.5.3 |
| numpy | 1.26.4 |
| jupyterlab | 4.0.11 |
| dataprep | 0.4.5 |
| streamlit | 1.32.0 |
| scikit-learn | 1.4.2 |
| matplotkib | 3.8.4 |
| altair | 5.0.1 |
Nota: As restantes bibliotecas utilizadas e as suas versões podem ser encontradas em requirements.txt, ou instalando o ambiente virtual como instruido acima e executando o comando conda list.