實作資料集

• 資料集屬於 Kaggle Playground series - Season 4 的 Epiosode 11
• 是一份合成資料集（synthetically-generated datasets）
  • 用以平衡現實性或提供一些更有趣的數據集

---

資料集敘述與說明：

• 透過一個深度學習模型基於 Depression Survey/Dataset for Analysis 而生成的數據集，但保留了與原始資料相似的分佈特性
• 資料集敘述中有提到有刻意的留下一些「數據異常」或「特徵干擾」
• 資料集包含兩份檔案
  • train.csv
    • 訓練數據集，包含多個特徵（數值型、類別型）以及目標欄位（Depression）
    • 總共有（0 - 140699）筆
  • test.csv
    • 測試數據集，參賽者需利用模型預測其目標欄位

---

資料集目的：

• 基於心理健康調查數據，探索影響個體是否可能經歷憂鬱症的因素，並建立分類模型來預測憂鬱症的可能性

---

資料集來源：

• Exploring Mental Health Data

---

採用的 Machine Learning Method：

資料前處理：

• 將資料的 Depression 欄位與原始資料分成兩份資料
• 將以下兩個欄位進行 mapping，以防止 One-hot vector 轉換成全 0 的數值
  • Sleep Duration

    sleep_mapping = {
        "More than 8 hours":9,
        'Less than 5 hours':4,
        '5-6 hours':5.5,
        '7-8 hours':7.5,
        '1-2 hours':1.5,
        '6-8 hours':7,
        '4-6 hours':5,
        '6-7 hours':6.5,
        '10-11 hours':10.5,
        '8-9 hours':8.5,
        '9-11 hours':10,
        '2-3 hours':2.5,
        '3-4 hours':3.5,
        'Moderate':6,
        '4-5 hours':4.5,
        '9-6 hours':7.5,
        '1-3 hours':2,
        '1-6 hours':4,
        '8 hours':8,
        '10-6 hours':8,
        'Unhealthy': 3,
        'Work_Study_Hours':6,
        '3-6 hours':3.5,
        '9-5':7,
        '9-5 hours': 7,
        '49 hours': 7,
        '35-36 hours': 5,
        '40-45 hours': 6,
        'Pune': 6,
        'Indore': 6,
        '45': 6,
        '55-66 hours': 8.5,
        'than 5 hours': 5,
        '45-48 hours': 6.5,
        'No': 6,
        'Sleep_Duration': 6,
    }

  • Dietary Habits

    dietary_mapping = {
        'Unhealthy': 0,
        'Less Healthy': 0,
        'No Healthy': 0,
        'Less than Healthy': 0,
        'Moderate': 1,
        'Healthy': 2,
        'More Healthy': 2,
        'Yes': 2, 
        'No': 0,
    }

• Drop 掉以下的欄位
  • id
  • Name
  • City
  • Profession
  • Degree
• 因為有觀察到 missing value，所以進行缺失值填補
  • SimpleImputer()
    • 類別型的資料透過眾數（most_frequent）填補，數值型的資料透過平均數（median）填補
• 特徵處理：
  • 對類別特徵進行 One-Hot Encoder，對數值特徵進行 StandardScaler() 處理

---

模型的訓練：

• 使用 support vector machine（SVM）進行分類任務
  • 呼叫 SVC（），並設定參數
• 使用 train_test_split() 將資料以（8:2）分成訓練、測試集
• 採取 5-fold （KFold(5)） 的方式進行交叉驗證，以 accuracy 為準
• 訓練過程中透過 compute_class_weight() 計算 Depression 兩種類別的 weight
• 透過 GridSearchCV()，尋找最佳參數組合

---

執行環境與設定：

• 使用語言及版本：python 3.12.6
• 使用的 python module 如下（需要預先裝好）
  • matplotlib.pyplot
  • pandas
  • numpy
  • sklearn
    • model_selection：模型設定相關
    • impute：填補缺失值
    • preprocessing：轉換型別與標準化
    • sklearn.utils.class_weight：進行訓練資料類別平衡
    • metrics：評估相關
    • class_weight：計算類別的 weight
    • SVM：SVC（）的模型
    • impute：數據填補
    • compose, pipeline

---

執行方式：

1. 將所需的 kaggle 資料集放入名為 data 的資料夾中
2. 執行 python 指令

   python main.py

3. 觀察評估結果（accuracy, recall, precision, f1-score, confusion matrix）以及實際的三種 submission file

---

Result：

三種參數的比較效果

評估指標比較圖

Kaggle Leaderboard