Conjunt de codis i dades usades per treball final de màster: Machine Learning per a l’optimització d’un model epidemiològic en tuberculosis.
A continuació es descriuen els codis i objectes presents en aquest GitHub:
main.c: Fitxer que conté el simulador epidemiologic, ha estat modificat perquè llegís les dades d'entrada des d'un fitxer extern.
list.h: Fitxer adjunt al main.c que té alguns paràmetres i funcions que s'usen en el main.c.
IBMheader.h: Fitxer adjunt al main.c que té alguns paràmetres i funcions que s'usen en el main.c.
simulacions.py: Fitxer en python que a partir d'un fitxer 'sample.txt' va simulant cada un dels sets de paràmetres continguts en el fitxer de lectura en el simulador epidemiologic.
executable: Si l'executes s'encarrega de compilar tots els programes de C i que s'escrigui l'output en el fitxer 'results_new.xlsx'.
results_new.xlsx: Fitxer amb el conjunt de dades usat en els models de machine learning que s'han dut a terme.
LHS.c: Codi en c que construeix el mostreig usant Latin Hypercube Sampling.
MC.c: Codi en c que construeix el mostreig usant Monte Carlo.
model_primer_any.py: Model del primer any calculat pels diferents algoritmes de Machine Learning.
model_primer_any_Nvars.py: Model del primer any calculat pels diferents algoritmes de Machine Learning on es pot veure la dependencia amb el nombre de paràmetres d'entrada que s'usen per a l'entrenament.
model_primer_any_Ndata.py: Model del primer any calculat pels diferents algoritmes de Machine Learning on es pot veure la dependencia amb la quantitat de dades que s'usa com a entrenament.
model_futurs_anys.py: Model pels futus anys calculat pels diferents algoritmes de Machine Learning.
model_futurs_anys_Nvars.py: Model pels futus anys calculat pels diferents algoritmes de Machine Learning on es pot veure la dependencia amb el nombre de paràmetres d'entrada que s'usen per a l'entrenament.
model_futurs_anys_Ndata.py: Model pels futus anys calculat pels diferents algoritmes de Machine Learning on es pot veure la dependencia amb la quantitat de dades que s'usa com a entrenament.
model_prediccio_futur.py: Model per la predicció del futur calculat pels diferents algoritmes de Machine Learning.
model_prediccio_futur_Nvars.py: Model per la predicció del futur calculat pels diferents algoritmes de Machine Learning on es pot veure la dependencia amb el nombre de paràmetres d'entrada que s'usen per a l'entrenament.
model_prediccio_futur_Ndata.py: Model per la predicció del futur calculat pels diferents algoritmes de Machine Learning on es pot veure la dependencia amb la quantitat de dades que s'usa com a entrenament.
ajustar_GNB.py: Calcula la millor configuració per l'algoritme de Machine Learning: Gaussian Naive Bayes.
ajustar_KNC.py: Calcula la millor configuració per l'algoritme de Machine Learning: KNeighbors Classifier.
ajustar_LDA.py: Calcula la millor configuració per l'algoritme de Machine Learning: Linear Discriminant Analysis.
ajustar_LR.py: Calcula la millor configuració per l'algoritme de Machine Learning: Logistic Regression.
ajustar_RF.py: Calcula la millor configuració per l'algoritme de Machine Learning: Random Forest.
ajustar_SVC.py: Calcula la millor configuració per l'algoritme de Machine Learning: Support Vector Machine.