К содержимому
Другое

Alzheimer Clinical Predictor

табличный классификатор для учебного анализа

2 мин чтенияобновлено

Модель бинарной классификации (разделения данных на два класса) от студентов Университета Бразилиа (Universidade de Brasília), обученная на открытом наборе табличных медицинских данных. Она принимает 59 заранее подготовленных числовых признаков и возвращает вероятность положительного диагноза и итоговый класс. В основе лежит алгоритм GradientBoostingClassifier из библиотеки scikit-learn (не нейросеть-трансформер, а градиентный бустинг над решающими деревьями), настроенный через случайный поиск гиперпараметров. Проект создан исключительно в учебных и исследовательских целях и не прошёл клиническую валидацию.

Ключевые особенности

  • Обучена на 2149 записях из датасета Alzheimer's Disease Dataset, где 35,4% примеров относятся к положительному классу.
  • Принимает строго 59 предварительно обработанных признаков (после импутации пропусков, генерации 23 производных переменных и масштабирования RobustScaler).
  • Оптимизирована по метрике recall (полнота — доля правильно найденных положительных случаев) с помощью RandomizedSearchCV на 5 фолдах.
  • Поставляется с готовым скриптом inference.py и файлом pipeline.py, совместимым с общим интерфейсом табличной классификации Hugging Face.

Что можно сделать

  • Использовать как готовый эталон для изучения полного цикла работы с табличными данными: от борьбы с выбросами и создания признаков до фиксации артефактов в MLflow.
  • Воспроизвести пайплайн на исходном датасете с Kaggle, прогнав ноутбуки предобработки из связанного GitHub-репозитория, и протестировать инференс на локальной машине.
  • Сравнить качество градиентного бустинга с другими классическими алгоритмами (в экспериментах авторов модель обошла Random Forest и SVM по recall).

Пример

from huggingface_hub import snapshot_download

snapshot_download(
    repo_id="DaviNeg/Alzheimer_Clinical_Predictor",
    local_dir="alzheimer_model",
    allow_patterns=["model/*", "inference.py", "pipeline.py", "requirements.txt"],
)
ПодробнееМетрики: recall 0,8882 на отложенной тестовой выборке (20%) при стандартном пороге 0,5; средний recall на 5-фолдовой кросс-валидации — 0,9227.
Окружение: Python 3.12.10, scikit-learn 1.7.2, NumPy 2.4.4, pandas 2.3.3.
Ограничения: модель не предназначена для постановки диагнозов; предобработка и масштабирование проводились до разбиения на train/test (риск утечки данных), а сами трансформеры не включены в репозиторий.
Безопасность и лицензия: веса сохранены в model.pkl через cloudpickle (загружайте только после проверки SHA-256); распространяется под лицензией MIT.
Обсудить Telegram 0

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # DaviNeg/Alzheimer_Clinical_Predictor
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download DaviNeg/Alzheimer_Clinical_Predictor --local-dir ~/models/Alzheimer_Clinical_Predictor
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Alzheimer_Clinical_Predictor
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии Alzheimer_Clinical_Predictor — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

DaviNeg/Alzheimer_Clinical_Predictor
Автор
DaviNeg
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии