Как адаптировать модель прогнозирования для впервые зарегистрированных пациентов? ⇐ Python

[Anonymous]

Я пишу модель прогнозирования для диагностики рака. Первоначально у меня был набор данных из 40 пациентов, поровну разделенных на больных раком и здоровых пациентов. Все хорошо с размеченными данными, но теперь передо мной стоит практическая задача.
Больница начала принимать новых пациентов, и мне нужно адаптировать свою модель для обработки этих невидимых случаев. Хотя у меня есть этикетки для исходных 40 образцов, у меня нет никакой диагностической информации для этих недавно зарегистрированных пациентов.
Мне нужен совет, как лучше всего действовать с моей моделью. в этом сценарии. Как мне следует проверить ее эффективность на новых пациентах и ​​какой рекомендуемый подход к обновлению модели по мере поступления новых данных?
Заранее спасибо.
n_components = 3
results_no_scaling = []
final_confusion_matrix = np.zeros((2, 2))

kf = StratifiedKFold(n_splits=6, shuffle=True, random_state=42)
final_model = PLSRegression(n_components=n_components, scale=False)

for train_index, test_index in kf.split(X, y):
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]

final_model.fit(X_train, y_train.astype(float))

y_pred = final_model.predict(X_test)
y_pred_binary = (y_pred.flatten() >= 0.5).astype(int)

conf_mat = confusion_matrix(y_test, y_pred_binary, labels=[0, 1])
final_confusion_matrix += conf_mat

new_patient_ground_truth = np.ones(new_patient_data.shape[0]) # Lets suppose all new patients are cancer patients (label = 1)

new_patient_predictions = final_model.predict(new_patient_data)
new_patient_predictions_binary = (new_patient_predictions.flatten() >= 0.5).astype(int)


Подробнее здесь: https://stackoverflow.com/questions/792 ... d-patients