🧠 Depression Risk Analysis Platform

📋 Table of Contents / İçindekiler

English
Türkçe

English

Overview

The Depression Risk Analysis Platform is an advanced AI-powered web application that leverages machine learning algorithms to assess depression risk based on various lifestyle, academic, and health factors. The platform provides personalized risk assessments with explainable AI using SHAP (SHapley Additive exPlanations) methodology.

🎯 Key Objectives

Early Detection: Identify potential depression risk factors early
Personalized Assessment: Provide individualized risk analysis
Explainable AI: Transparent decision-making process
User-Friendly Interface: Modern, responsive web design
Professional Recommendations: Actionable health advice

Features

🧠 Core Features

Multi-Model Support: Choose from 4 different ML algorithms
- Logistic Regression
- Random Forest
- XGBoost
- Support Vector Machine (SVM)
Real-time Analysis: Instant risk assessment
SHAP Explanations: Understand prediction factors
Risk Level Classification: High/Medium/Low risk categorization

🎨 User Interface

Modern Design: Glassmorphism and gradient effects
Responsive Layout: Works on all devices
Interactive Elements: Smooth animations and transitions
Professional Styling: Clean, medical-grade appearance

📊 Analytics & Insights

Model Performance Metrics: Accuracy, confidence scores
Feature Importance: SHAP waterfall charts
Personalized Recommendations: Health improvement suggestions
Statistical Overview: Comprehensive risk analysis

Technology Stack

🛠️ Backend Technologies

# Core Framework
Streamlit == 1.28+          # Web application framework
Python == 3.8+              # Programming language

# Machine Learning
scikit-learn == 1.3+        # ML algorithms and preprocessing
XGBoost == 1.7+             # Gradient boosting
SHAP == 0.43+               # Explainable AI
joblib == 1.3+              # Model serialization

# Data Processing
pandas == 2.0+              # Data manipulation
numpy == 1.24+              # Numerical computing

# Visualization
matplotlib == 3.7+          # Plotting library
plotly == 5.15+             # Interactive charts

🎨 Frontend Technologies

CSS3: Modern styling with gradients and animations
HTML5: Semantic markup
JavaScript: Interactive elements (via Streamlit)
Responsive Design: Mobile-first approach

Installation

Prerequisites

Python 3.8 or higher
pip package manager
Git

Step-by-Step Setup

Clone the Repository

git clone https://github.com/Efe-Eroglu/xai-depression-predictor.git
cd depression-risk-analysis

Create Virtual Environment

# Windows
python -m venv venv
venv\Scripts\activate

# macOS/Linux
python3 -m venv venv
source venv/bin/activate

Install Dependencies

pip install -r requirements.txt

Verify Installation

python -c "import streamlit, pandas, sklearn, xgboost, shap; print('All packages installed successfully!')"

🚀 Quick Start

# Run the application
streamlit run app.py

# Access the web interface
# Open http://localhost:8501 in your browser

Usage

📱 User Guide

Model Selection
- Choose your preferred ML algorithm from the sidebar
- Each model has different accuracy characteristics
Data Input
- Fill in personal information in organized categories:
  - 👤 Demographic Information
  - 🎓 Academic Status
  - 💼 Work/School Life
  - 🏥 Health Status
Analysis Process
- Click "Start Analysis" to process your data
- View real-time risk assessment results
Results Interpretation
- Review risk percentage and classification
- Examine SHAP analysis for factor importance
- Read personalized recommendations

🔧 Advanced Usage

Model Comparison

# Compare different models
models = {
    "Logistic Regression": "models/logistic_regression.pkl",
    "Random Forest": "models/random_forest.pkl",
    "XGBoost": "models/xgboost.pkl",
    "SVM": "models/svm.pkl"
}

Custom Data Input

# Example input format
input_data = {
    "Gender": 1,  # 1 for Male, 0 for Female
    "Age": 25,
    "Academic Pressure": 5,
    "Work Pressure": 3,
    "CGPA": 7.5,
    "Study Satisfaction": 6,
    "Job Satisfaction": 7,
    "Sleep Duration": 2,  # 0-3 scale
    "Dietary Habits": 2,  # 0-3 scale
    "Work/Study Hours": 8,
    "Financial Stress": 4,
    "Family History of Mental Illness": 0,
    "Suicidal Thoughts": 0
}

🎯 Model Characteristics

XGBoost: Best overall performance, handles non-linear relationships
Random Forest: Good interpretability, robust to outliers
Logistic Regression: Fast inference, good baseline
SVM: Effective for high-dimensional data

📁 Project Structure

depression-risk-analysis/
├── app.py                 # Main application file
├── requirements.txt       # Python dependencies
├── README.md             # Project documentation
├── models/               # Trained ML models
│   ├── logistic_regression.pkl
│   ├── random_forest.pkl
│   ├── xgboost.pkl
│   └── svm.pkl
├── utils/                # Utility functions
│   ├── __init__.py
│   ├── preprocessing.py  # Data preprocessing
│   └── shap_helper.py    # SHAP analysis utilities
├── assets/               # Static assets
└── depression-risk-xai.ipynb  # Jupyter notebook for model training

Contributing

🤝 How to Contribute

Fork the Repository

git clone https://github.com/Efe-Eroglu/xai-depression-predictor.git

Create Feature Branch

git checkout -b feature/amazing-feature

Make Changes
- Follow PEP 8 style guidelines
- Add tests for new features
- Update documentation
Commit Changes

git commit -m "Add amazing feature"
git push origin feature/amazing-feature

Create Pull Request
- Describe your changes
- Link related issues
- Request code review

📋 Development Guidelines

Code Style: Follow PEP 8 conventions
Documentation: Update README for new features
Testing: Add unit tests for new functionality
Performance: Optimize for speed and accuracy

License

This project is licensed under the MIT License - see the LICENSE file for details.

Türkçe

Genel Bakış

Depresyon Risk Analizi Platformu, çeşitli yaşam tarzı, akademik ve sağlık faktörlerine dayalı olarak depresyon riskini değerlendirmek için makine öğrenmesi algoritmalarını kullanan gelişmiş bir yapay zeka destekli web uygulamasıdır. Platform, SHAP (SHapley Additive exPlanations) metodolojisi kullanarak açıklanabilir yapay zeka ile kişiselleştirilmiş risk değerlendirmeleri sunar.

🎯 Temel Hedefler

Erken Tespit: Potansiyel depresyon risk faktörlerini erken belirleme
Kişiselleştirilmiş Değerlendirme: Bireyselleştirilmiş risk analizi
Açıklanabilir Yapay Zeka: Şeffaf karar verme süreci
Kullanıcı Dostu Arayüz: Modern, responsive web tasarımı
Profesyonel Öneriler: Uygulanabilir sağlık tavsiyeleri

Özellikler

🧠 Temel Özellikler

Çoklu Model Desteği: 4 farklı ML algoritmasından seçim
- Lojistik Regresyon
- Rastgele Orman
- XGBoost
- Destek Vektör Makinesi (SVM)
Gerçek Zamanlı Analiz: Anında risk değerlendirmesi
SHAP Açıklamaları: Tahmin faktörlerini anlama
Risk Seviyesi Sınıflandırması: Yüksek/Orta/Düşük risk kategorilendirmesi

🎨 Kullanıcı Arayüzü

Modern Tasarım: Glassmorphism ve gradient efektleri
Responsive Düzen: Tüm cihazlarda çalışır
İnteraktif Öğeler: Yumuşak animasyonlar ve geçişler
Profesyonel Stil: Temiz, tıbbi kalite görünüm

📊 Analitik ve İçgörüler

Model Performans Metrikleri: Doğruluk, güven skorları
Özellik Önemliliği: SHAP waterfall grafikleri
Kişiselleştirilmiş Öneriler: Sağlık iyileştirme önerileri
İstatistiksel Genel Bakış: Kapsamlı risk analizi

Teknoloji Altyapısı

🛠️ Backend Teknolojileri

# Temel Framework
Streamlit == 1.28+          # Web uygulama framework'ü
Python == 3.8+              # Programlama dili

# Makine Öğrenmesi
scikit-learn == 1.3+        # ML algoritmaları ve ön işleme
XGBoost == 1.7+             # Gradient boosting
SHAP == 0.43+               # Açıklanabilir AI
joblib == 1.3+              # Model serileştirme

# Veri İşleme
pandas == 2.0+              # Veri manipülasyonu
numpy == 1.24+              # Sayısal hesaplama

# Görselleştirme
matplotlib == 3.7+          # Grafik kütüphanesi
plotly == 5.15+             # İnteraktif grafikler

🎨 Frontend Teknolojileri

CSS3: Gradient ve animasyonlarla modern stil
HTML5: Semantik işaretleme
JavaScript: İnteraktif öğeler (Streamlit üzerinden)
Responsive Tasarım: Mobile-first yaklaşım

Kurulum

Ön Gereksinimler

Python 3.8 veya üzeri
pip paket yöneticisi
Git

Adım Adım Kurulum

Repository'yi Klonlayın

git clone https://github.com/Efe-Eroglu/xai-depression-predictor.git
cd depression-risk-analysis

Sanal Ortam Oluşturun

# Windows
python -m venv venv
venv\Scripts\activate

# macOS/Linux
python3 -m venv venv
source venv/bin/activate

Bağımlılıkları Yükleyin

pip install -r requirements.txt

Kurulumu Doğrulayın

python -c "import streamlit, pandas, sklearn, xgboost, shap; print('Tüm paketler başarıyla yüklendi!')"

🚀 Hızlı Başlangıç

# Uygulamayı çalıştırın
streamlit run app.py

# Web arayüzüne erişin
# Tarayıcınızda http://localhost:8501 adresini açın

Kullanım

📱 Kullanıcı Kılavuzu

Model Seçimi
- Kenar çubuğundan tercih ettiğiniz ML algoritmasını seçin
- Her modelin farklı doğruluk özellikleri vardır
Veri Girişi
- Kişisel bilgileri organize kategorilerde doldurun:
  - 👤 Demografik Bilgiler
  - 🎓 Akademik Durum
  - 💼 İş/Okul Yaşamı
  - 🏥 Sağlık Durumu
Analiz Süreci
- Verilerinizi işlemek için "Analizi Başlat"a tıklayın
- Gerçek zamanlı risk değerlendirme sonuçlarını görüntüleyin
Sonuç Yorumlama
- Risk yüzdesini ve sınıflandırmayı inceleyin
- Faktör önemliliği için SHAP analizini inceleyin
- Kişiselleştirilmiş önerileri okuyun

🔧 Gelişmiş Kullanım

Model Karşılaştırması

# Farklı modelleri karşılaştırın
models = {
    "Logistic Regression": "models/logistic_regression.pkl",
    "Random Forest": "models/random_forest.pkl",
    "XGBoost": "models/xgboost.pkl",
    "SVM": "models/svm.pkl"
}

Özel Veri Girişi

# Örnek giriş formatı
input_data = {
    "Gender": 1,  # Erkek için 1, Kadın için 0
    "Age": 25,
    "Academic Pressure": 5,
    "Work Pressure": 3,
    "CGPA": 7.5,
    "Study Satisfaction": 6,
    "Job Satisfaction": 7,
    "Sleep Duration": 2,  # 0-3 ölçeği
    "Dietary Habits": 2,  # 0-3 ölçeği
    "Work/Study Hours": 8,
    "Financial Stress": 4,
    "Family History of Mental Illness": 0,
    "Suicidal Thoughts": 0
}

🎯 Model Özellikleri

XGBoost: En iyi genel performans, doğrusal olmayan ilişkileri işler
Random Forest: İyi yorumlanabilirlik, aykırı değerlere karşı dayanıklı
Logistic Regression: Hızlı çıkarım, iyi temel
SVM: Yüksek boyutlu veriler için etkili

📁 Proje Yapısı

depression-risk-analysis/
├── app.py                 # Ana uygulama dosyası
├── requirements.txt       # Python bağımlılıkları
├── README.md             # Proje dokümantasyonu
├── models/               # Eğitilmiş ML modelleri
│   ├── logistic_regression.pkl
│   ├── random_forest.pkl
│   ├── xgboost.pkl
│   └── svm.pkl
├── utils/                # Yardımcı fonksiyonlar
│   ├── __init__.py
│   ├── preprocessing.py  # Veri ön işleme
│   └── shap_helper.py    # SHAP analiz yardımcıları
├── assets/               # Statik dosyalar
└── depression-risk-xai.ipynb  # Model eğitimi için Jupyter notebook

Katkıda Bulunma

🤝 Nasıl Katkıda Bulunulur

Repository'yi Fork Edin

git clone https://github.com/Efe-Eroglu/xai-depression-predictor.git

Özellik Dalı Oluşturun

git checkout -b feature/harika-ozellik

Değişiklikleri Yapın
- PEP 8 stil rehberlerini takip edin
- Yeni özellikler için test ekleyin
- Dokümantasyonu güncelleyin
Değişiklikleri Commit Edin

git commit -m "Harika özellik eklendi"
git push origin feature/harika-ozellik

Pull Request Oluşturun
- Değişikliklerinizi açıklayın
- İlgili sorunları bağlayın
- Kod incelemesi isteyin

📋 Geliştirme Rehberleri

Kod Stili: PEP 8 kurallarını takip edin
Dokümantasyon: Yeni özellikler için README'yi güncelleyin
Test: Yeni işlevsellik için birim testleri ekleyin
Performans: Hız ve doğruluk için optimize edin

Lisans

Bu proje MIT Lisansı altında lisanslanmıştır - detaylar için LICENSE dosyasına bakın.

📞 İletişim / Contact

🙏 Teşekkürler / Acknowledgments

Streamlit ekibine harika framework için
SHAP geliştiricilerine açıklanabilir AI için
Tüm katkıda bulunanlara

Made with ❤️ for mental health awareness

Name		Name	Last commit message	Last commit date
Latest commit History 9 Commits
assets		assets
models		models
utils		utils
LICENSE		LICENSE
README.md		README.md
app.py		app.py
depression-risk-xai.ipynb		depression-risk-xai.ipynb
requirements.txt		requirements.txt

License

Efe-Eroglu/xai-depression-predictor

Folders and files

Latest commit

History

Repository files navigation

🧠 Depression Risk Analysis Platform

📋 Table of Contents / İçindekiler

English

Overview

🎯 Key Objectives

Features

🧠 Core Features

🎨 User Interface

📊 Analytics & Insights

Technology Stack

🛠️ Backend Technologies

🎨 Frontend Technologies

Installation

Prerequisites

Step-by-Step Setup

🚀 Quick Start

Usage

📱 User Guide

🔧 Advanced Usage

Model Comparison

Custom Data Input

🎯 Model Characteristics

📁 Project Structure

Contributing

🤝 How to Contribute

📋 Development Guidelines

License

Türkçe

Genel Bakış

🎯 Temel Hedefler

Özellikler

🧠 Temel Özellikler

🎨 Kullanıcı Arayüzü

📊 Analitik ve İçgörüler

Teknoloji Altyapısı

🛠️ Backend Teknolojileri

🎨 Frontend Teknolojileri

Kurulum

Ön Gereksinimler

Adım Adım Kurulum

🚀 Hızlı Başlangıç

Kullanım

📱 Kullanıcı Kılavuzu

🔧 Gelişmiş Kullanım

Model Karşılaştırması

Özel Veri Girişi

🎯 Model Özellikleri

📁 Proje Yapısı

Katkıda Bulunma

🤝 Nasıl Katkıda Bulunulur

📋 Geliştirme Rehberleri

Lisans

📞 İletişim / Contact

🙏 Teşekkürler / Acknowledgments

About

Topics

Resources

License

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Languages

Packages