🧠 Prédiction de la Dépression par Machine Learning

Projet de Fin d'Études (PFE)
Étude comparative des méthodes de sélection de variables et des algorithmes de Machine Learning pour la prédiction de la dépression.

---

🎯 Aperçu du projet

Ce projet a pour objectif de prédire la dépression (DEPRESSED) à partir de données socio-démographiques et comportementales.

Il propose une approche complète et comparative combinant :

• 🔍 7 méthodes de sélection de variables
• 🤖 12 algorithmes de Machine Learning
• ⚖️ Gestion du déséquilibre des classes (SMOTE / SMOTE-NC)
• 🔢 Différentes stratégies d'encodage

Meilleur résultat : Logistic Regression + Boruta → Accuracy 93.08% · F1 92.81% · AUC-ROC 0.98

---

⚙️ Pipeline du projet

Données brutes → EDA → Prétraitement → Encodage → SMOTE → Sélection de variables → Modélisation → Évaluation

---

📊 Dataset

Attribut	Détail
Variable cible	DEPRESSED (0 = Non déprimé, 1 = Déprimé)
Type de données	Socio-démographiques et comportementales
Variables	Âge, genre, éducation, stress financier, sommeil, tabac, alcool, anxiété, insomnie, état de santé

---

🔬 Méthodologie

1. Prétraitement des données

• Gestion des valeurs manquantes (médiane / mode)
• Normalisation des données
• Encodage : One-Hot, Label Encoding, hybride

2. Gestion du déséquilibre des classes

• SMOTE et SMOTE-NC (données mixtes)

3. Sélection de variables

#	Méthode	Type	Nb variables sélectionnées
0	Sans méthode	—	—
1	RFE	Wrapper	10
2	RFECV	Wrapper	32
3	Stability Selection (Lasso)	Embedded	26
4	SelectKBest (Chi²)	Filtre	9
5	mRMR	Filtre	10
6	Boruta	Wrapper	31

Boruta s'est révélé la méthode la plus efficace, sélectionnant 31 variables pertinentes tout en améliorant les performances sur tous les modèles.

4. Modèles testés

Classiques : Logistic Regression, Decision Tree, Random Forest, SVM, KNN, Naive Bayes

Ensemble : AdaBoost, Gradient Boosting, XGBoost, Bagging, Voting Classifier

---

📈 Résultats

Tableau comparatif complet (meilleur pipeline par méthode)

Méthode de sélection	Meilleur modèle	Accuracy	Sensitivity	Precision	F1-score	AUC-ROC
Sans méthode	Logistic Regression	91.19%	88.31%	93.15%	90.67%	97.96%
Filtre de sélection	LR / AdaBoost	93.08%	90.91%	94.59%	92.72%	98.17%
RFE	AdaBoost	91.82%	89.61%	93.24%	91.39%	96.89%
RFECV	AdaBoost	92.45%	92.21%	92.21%	92.21%	98.30%
Stability Selection	Logistic Regression	92.45%	89.61%	94.52%	92.00%	98.05%
SelectKBest	Logistic Regression	91.19%	88.31%	93.15%	90.67%	97.96%
mRMR	Gradient Boosting	73.58%	67.53%	75.36%	71.23%	73.42%
Boruta	LR / AdaBoost	93.08%	92.21%	93.42%	92.81%	98.24%

⚠️ mRMR affiche des performances nettement inférieures — ce comportement est analysé dans le notebook.

---

🏆 Meilleur pipeline : Logistic Regression + Boruta

Matrice de confusion

Après SMOTE (Logistic Regression + Boruta)	Sans SMOTE-NC (Logistic Regression + Boruta)

Lecture :

• ✅ 77 vrais négatifs (non déprimés correctement classés)
• ✅ 71 vrais positifs (déprimés correctement détectés)
• ❌ 5 faux positifs / 6 faux négatifs (après SMOTE)

Le modèle est équilibré entre précision et recall — crucial en santé mentale pour ne pas rater de cas réels.

---

Courbe ROC (AUC = 0.98)

Logistic Regression + Boruta (avec SMOTE)	Logistic Regression + Boruta (sans SMOTE-NC)

AUC = 0.98 → le modèle distingue quasi-parfaitement les cas déprimés des non-déprimés.
La courbe monte très vite vers le coin supérieur gauche, signe d'un excellent classifieur.

---

📌 Conclusion

L'analyse comparative révèle que Logistic Regression + Boruta est le pipeline optimal :

Critère	Évaluation
🎯 Performance	Accuracy 93.08%, F1 92.81%, AUC 0.98
🔒 Stabilité	Résultats reproductibles sur plusieurs runs
🔍 Interprétabilité	Essentielle pour les applications en santé mentale
⚡ Efficacité	Temps d'entraînement minimal vs. modèles ensemble

---

🚀 Installation & Utilisation

# Cloner le dépôt
git clone https://github.com/khalil-ghanam/depression-ml-project.git
cd depression-ml-project

# Installer les dépendances
pip install -r requirements.txt

# Lancer le notebook
jupyter notebook notebook/

---

📁 Structure du projet

depression-ml-project/
│
├── notebook/
│   └── depression_prediction.ipynb   # Pipeline complet
├── data/
│   └── dataset.csv
├── images/                           # Visuels des résultats
│   ├── confusion_matrix_boruta_logistic.png
│   ├── confusion_matrix_boruta_adaboost.png
│   ├── roc_boruta_logistic.png
│   └── roc_boruta_adaboost.png
├── README.md
├── requirements.txt
└── .gitignore

---

🛠️ Technologies utilisées

---

👤 Auteur

Khalil Ghanam
🎓 Étudiant en Intelligence Artificielle & Facteurs Humains — Université de Caen Normandie
💼 Futur Data Scientist / ML Engineer
📧 ghanamkhalil8@gmail.com
🔗 LinkedIn

---

📜 Licence

Projet sous licence MIT.