Dosya	Açıklama
`xgboost_model.pkl`	Eğitilmiş XGBoost modeli (joblib)
`scaler.pkl`	Fit edilmiş MinMaxScaler (joblib)
`feature_names.json`	Giriş özelliklerinin sıralı listesi

Eğitim Verisi

Kaynak: PCOS_data.csv (Kaggle PCOS Dataset)
Ön işlem adımları:
- LH, FSH, FSH/LH sütunlarında IQR yöntemiyle aykırı değer temizliği
- Yüksek korelasyonlu sütunlar çıkarıldı (Hip, BMI, Avg. F size (R))
- II beta-HCG sütunundaki bozuk değerler (1.99. gibi) train median'ıyla dolduruldu
- Train/test ayrımı: %80 / %20, stratify=True

Performans

Notebook çıktılarından elde edilen değerleri buraya ekle:

Accuracy : ~0.XX
Precision: ~0.XX  (PCOS sınıfı)
Recall   : ~0.XX  (PCOS sınıfı)
F1-Score : ~0.XX  (PCOS sınıfı)

Kullanım

python

import joblib, json, numpy as np
from huggingface_hub import hf_hub_download

REPO = "KubraParmak/pcos-xgboost-model"
model  = joblib.load(hf_hub_download(REPO, "xgboost_model.pkl"))
scaler = joblib.load(hf_hub_download(REPO, "scaler.pkl"))
with open(hf_hub_download(REPO, "feature_names.json")) as f:
    features = json.load(f)

# Örnek tahmin (özellik sırası feature_names.json ile aynı olmalı)
X = np.array([[25, 65, 162, 75, 16, 13, 1, 5, ...]]) 
X_scaled = scaler.transform(X)
pred = model.predict(X_scaled)       # 0: Sağlıklı, 1: PCOS
prob = model.predict_proba(X_scaled) # [P(sağlıklı), P(PCOS)]

Sınırlamalar

Bu model klinik karar desteği amaçlıdır; tıbbi tanı yerine geçmez.
Model yalnızca eğitildiği veri dağılımı için geçerlidir.
LIME açıklanabilirlik çıktıları model repo'suna dahil değildir.

Yazar

Kübra Parmak GitHub: KbrPrmk | HuggingFace: KubraParmak