Apprentissage automatique : projet de prédiction du diabète dans Django

Ces dernières années, l’apprentissage automatique a révolutionné divers secteurs, et le domaine de la santé ne fait certainement pas exception. En exploitant l’immense puissance des données et des algorithmes, l’apprentissage automatique nous permet de développer des modèles prédictifs qui jouent un rôle essentiel dans la détection et la gestion des maladies. Dans cet article, nous nous impliquerons dans le monde de l’apprentissage automatique en explorant la création d’un remarquable projet de prédiction du diabète utilisant Django, le framework Web Python de haut niveau. En exploitant la flexibilité inhérente de Django et en intégrant des algorithmes d'apprentissage automatique, nous pouvons construire une application exceptionnellement robuste, capable de prédire la probabilité de diabète en fonction des entrées de l'utilisateur. Ce projet témoigne du vaste potentiel de l’apprentissage automatique dans le domaine des soins de santé, offrant un outil véritablement précieux pour l’intervention précoce et les soins de santé personnalisés. Rejoignez-nous dans ce voyage captivant alors que nous combinons technologie de pointe et développement Web pour lutter contre l'une des maladies les plus répandues touchant les populations du monde entier.

Étape 1 : Configuration du projet Django

Pour commencer, mettons en place notre projet Django pour l'application de prédiction du diabète. Maintenant, lancez votre terminal ou votre invite de commande et entrez les commandes suivantes :

$ django-admin startproject diabetes_prediction
$ cd diabetes_prediction

Cette commande créera un nouveau projet Django appelé "diabetes_prediction" et me dirigera automatiquement vers le répertoire du projet.

Étape 2 : Création de l'application de prédiction du diabète

Dans Django, une application est un module autonome qui représente une fonctionnalité spécifique au sein d'un projet. Pour créer notre application de prédiction du diabète, exécutez la commande suivante dans le terminal :

$ python manage.py startapp prediction

Cette commande générera une nouvelle application appelée « prédiction ». Maintenant, nous devons configurer l'application dans mon projet. Nous allons ouvrir le fichier diabète_prediction/settings.py et ajouter « prédiction » à la liste INSTALLED_APPS.

Étape 3 : Créer le modèle d'apprentissage automatique

Dans notre projet de prédiction du diabète se trouve le modèle d’apprentissage automatique. Pour entraîner un classificateur sur un ensemble de données sur le diabète et faire des prédictions précises, nous exploiterons la bibliothèque scikit−learn. Pour implémenter cela, nous créons un nouveau fichier appelé prédiction/ml_model.py et incluons le code suivant :

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

class DiabetesPredictor:
    def __init__(self):
        self.model = None
        self.features = ['feature1', 'feature2', 'feature3', ...]  # Replace with actual feature names

    def train(self):
        data = pd.read_csv('diabetes.csv')  # Replace with your dataset file

        X = data[self.features]
        y = data['target']

        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

        self.model = RandomForestClassifier()
        self.model.fit(X_train, y_train)

    def predict(self, input_data):
        input_df = pd.DataFrame([input_data], columns=self.features)
        prediction = self.model.predict(input_df)
        return prediction[0]

Assurez-vous de remplacer « feature1 », « feature2 », « feature3 », ... par les noms réels des fonctionnalités de votre ensemble de données.

Étape 4 : Création des vues et des modèles Django

Les vues dans Django gèrent les demandes des utilisateurs et fournissent des réponses. Créons une idée pour gérer la soumission du formulaire et afficher le résultat prévu. Ajoutez le code suivant au fichier prédiction/views.py en l'ouvrant :

from django.shortcuts import render
from .ml_model import DiabetesPredictor

def predict_diabetes(request):
    if request.method == 'POST':
        predictor = DiabetesPredictor()
        predictor.train()

        input_data = {
            'feature1': request.POST['feature1'],
            'feature2': request.POST['feature2'],
            'feature3': request.POST['feature3'],
            ...
        }  # Replace with actual feature names

        prediction = predictor.predict(input_data)

        return render(request, 'prediction/result.html', {'prediction': prediction})

    return render(request, 'prediction/form.html')

Étape 5 : Configuration du routage d'URL

Le routage d'URL dans Django mappe les URL aux vues, permettant aux utilisateurs d'accéder à différentes pages et fonctionnalités au sein d'une application Web. Configurons le routage des URL pour notre projet de prédiction du diabète.

Voici un exemple de code :

from django.urls import path
from . import views

app_name = 'prediction'

urlpatterns = [
    path('', views.predict_diabetes, name='predict_diabetes'),
]

Cet extrait de code configure le routage d'URL dans Django en important les fonctions et modules requis, en définissant un modèle d'URL pour l'URL racine, en l'associant à une fonction d'affichage spécifique et en attribuant un nom unique pour référence. La fonction d'affichage gère les demandes et génère des réponses lorsque les utilisateurs accèdent à l'URL racine.

Étape 6 : Création des modèles HTML

Ensuite, nous créerons les modèles HTML pour notre application Web. Nous établissons un nouveau répertoire appelé « modèles » après avoir accédé au répertoire de prédiction. Nous ajoutons deux nouveaux fichiers, form.html et result.html, au répertoire des modèles.

Dans form.html, ajoutez le code suivant :

<!DOCTYPE html>
<html>
<head>
    <title>Diabetes Prediction</title>
</head>
<body>
    <h1>Diabetes Prediction</h1>

    <form action="{% url 'prediction:predict_diabetes' %}" method="POST">
        {% csrf_token %}
        <label for="feature1">Feature 1:</label>
        <input type="text" name="feature1">

        <label for="feature2">Feature 2:</label>
        <input type="text" name="feature2">

        <label for="feature3">Feature 3:</label>
        <input type="text" name="feature3">

        <!-- Add more input fields for other features -->

        <button type="submit">Predict</button>
    </form>
</body>
</html>

Dans result.html, ajoutez le code suivant :

<!DOCTYPE html>
<html>
<head>
    <title>Diabetes Prediction Result</title>
</head>
<body>
    <h1>Diabetes Prediction Result</h1>

    <p>Prediction: {{ prediction }}</p>
</body>
</html>

Étape 7 : Exécuter l'application

Enfin, il est temps d'exécuter notre application de prédiction du diabète.

Voici un exemple de code pour exécuter l'application :

$ python manage.py runserver

Accédez à l'URL suivante dans notre navigateur Web : http://localhost:8000/prediction/. Lorsque nous arriverons sur la page Web, un formulaire interactif s'affichera, nous permettant de saisir les informations requises. Lorsque nous remplissons le formulaire et le soumettons, le programme traite les données et affiche immédiatement le résultat de la prédiction.

Conclusion

En conclusion, nous avons démontré le processus de développement d'un projet de prédiction du diabète utilisant l'apprentissage automatique dans Django. En tirant parti de la puissance de scikit−learn et de Django, nous avons pu créer une application Web interactive capable de prédire la probabilité qu'une personne souffre de diabète en fonction des fonctionnalités d'entrée. À travers les étapes de configuration du projet Django, de construction du modèle d'apprentissage automatique, de création de vues et de modèles et d'exécution de l'application, nous avons montré comment rassembler les mondes de l'apprentissage automatique et du développement Web. Grâce à ces connaissances, vous pouvez désormais vous lancer dans vos propres projets, en utilisant la polyvalence de Django et les capacités prédictives du machine learning.