Hot Database

SharkLab 团队使用的数据集。来源：团队档案
训练机器学习模型
数据准备好后，团队就开始训练机器学习模型。为此，我们使用了各种算法：逻辑回归、随机森林、XGBoost。它们每个都有助于识别对诊断很重要的关键参数。

该团队的主要成就是他们能够确定哪些血液测试参数对诊断 脸书数据 影响最大。这些数据构成了联系哪位医生以及紧急程度的建议的基础。

从零开始学习机器学习直至高级水平，并在莫斯科国立工程物理学院攻读硕士学位，开发神经网络。俄罗斯顶尖教师的理论和实际问题实践
阅读更多
从零开始学习机器学习直至高级水平，并在莫斯科国立工程物理学院攻读硕士学位，开发神经网络。俄罗斯顶尖教师的理论和实际问题实践
集成到实际产品中
模型训练完成后，就开始进入与真实产品的集成阶段。该 Web 服务是使用 Streamlit 库创建的，这是一个用于开发交互式应用程序的简单而强大的平台。

SharkLab 应用程序架构
SharkLab 应用程序架构。来源：团队档案
所有数据都存储在安全的SQLite3数据库中，确保应用程序的稳定运行和操作的安全。此外，SharkLab团队考虑到个人数据保护立法的要求，拒绝收集姓名或联系方式等个人信息。

SharkLab 服务请求的用户信息
SharkLab 服务请求的用户信息。来源：团队档案
个性化推荐
SharkLab 的主要功能之一是推荐的个性化。该系统不仅考虑了一般的血细胞计数标准，还考虑了用户的个人特征：年龄、性别、体重和身高。这使我们能够提供更准确和相关的建议。

例如，如果某人的血红蛋白水平较低，但其他指标也超出正常范围，系统就不会局限于肤浅的结论。它考虑到了一系列的变化，有助于识别可能并发的疾病。

该服务如何避免诊断，但提供建议
主要任务之一是确保服务不会因诊断而吓到用户，同时提供清晰易懂的建议。该系统没有提供医学术语，而是提供简单的建议。

例如，用户看到的不是“疑似白细胞减少症”这一句话，而是：“我们建议您咨询治疗师，因为白细胞水平低于正常水平。可能需要咨询血液科医生。”

给用户的建议
向用户提出建议。来源：团队档案
紧迫性评估机制
一个重要因素是紧迫性评估机制。如果检测结果很关键，系统会立即发出警告，需要紧急就医。对于中度偏差，会提供计划访问，如果一切正常，则会提供营养、体育活动或服用维生素方面的建议。这不仅可以帮助用户了解潜在的问题，还可以获得有关预防和健康生活方式的有用信息。