作业一（part1）：使用威斯康辛大学关于乳腺癌诊断数据集的相关数据， 采用决策树算法（或随机森林）分析乳腺癌诊断数据集，推断肿瘤发病可能情况，然后用5分类

最新推荐文章于 2025-05-21 11:49:59 发布
最新推荐文章于 2025-05-21 11:49:59 发布
阅读量1.8w 收藏 167
点赞数 16
CC 4.0 BY-SA版权
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/gxc19971128/article/details/106071903
这篇博客利用威斯康辛大学的乳腺癌诊断数据集，通过决策树或随机森林算法进行分析，探讨肿瘤发病可能性。数据集包含30个特征，涉及细胞核的均值、标准差和最大值。文章介绍了特征意义，并进行了初步的数据总结和特征关系探讨，最后展示了使用sklearn库进行数据加载和五折交叉验证的代码实现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

仅供自己学习使用！！！

这篇博客先对数据集做一些介绍

参考链接：http://docode.techyoung.cn/breast_cancer_wisconsin.html

乳腺癌的早期诊断意义重大！

数据集：威斯康辛大学关于乳腺癌诊断数据集

链接：https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29

数据集共有30个特征，前10个特征是样本图像中细胞核特征值的平均值：

第11到第20个特征为样本图像中细胞核特征值的标准差，反映的是在一个样本图像中不同细胞核在各个特征数值上的波动情况：

第21到30个特征为样本图像中细胞核特征值的最大值，

最低0.47元/天 解锁文章

200万优质内容无限畅学
A.机器学习入门算法（五）：基于企鹅数据集的决策树分类预测
丨汀、的博客
03-23 1769
具有很好的解释性，模型可以生成可以理解的规则。可以发现特征的重要程度。模型的计算复杂度较低。模型容易过拟合，需要采用减枝技术处理。不能很好利用连续型特征。预测能力有限，无法达到其他强监督模型效果。方差较高，数据分布的轻微改变很容易造成树结构完全不同。参考链接：https://tianchi.aliyun.com/course/278/3422本人最近打算整合ML、DRL、NLP等相关领域的体系化项目课程，方便入门同学快速掌握相关知识。
传统机器学习之逻辑回归的分类预测，以威斯康辛州乳腺癌数据集为例
m0_68715820的博客
10-29 2315
传统机器学习之以威斯康辛州乳腺癌数据集为例的逻辑回归分类
LogisticRegression:威斯康星州诊断性乳腺癌（WDBC）数据集的Logistic回归
03-25
Logistic回归 威斯康星州诊断性乳腺癌（WDBC）数据集的Logistic回归
用于改进筛查的乳腺癌异常检测
深度学习与计算机视觉
06-04 570
介绍乳腺癌是一种严重的疾病，影响着全世界数以百万计的妇女。即使医学领域有了进步，对乳腺癌进行识别和治疗是可能的，但发现它并在早期阶段治疗它仍然是不可能的。通过使用异常检测技术，我们可以识别出乳腺癌中肉眼可能看不到的微小但重要的模式。通过提高筛查方法的准确性，可以挽救许多生命，我们可以帮助他们战胜乳腺癌。在这一代计算机控制的医疗保健中，异常检测是一种强大的工具，可以改变我们处理乳腺癌筛查和治疗的方式...
【数据集】乳腺癌数据集的基础分析与可视化
最新发布
dundunmm的博客
05-21 752
本文介绍了Breast Cancer Wisconsin数据集的初步分析过程。该数据集包含569条样本，30个数值型特征，目标分类为恶性肿瘤（0）和良性肿瘤（1）。通过加载数据并查看基本信息，发现良性样本较多。进一步分析目标变量分布、特征统计信息及特征间的相关性，发现多个特征之间存在高度相关性。通过箱线图展示主要特征与目标变量的关系，发现恶性肿瘤在多个维度上数值更大，分布差异明显。最后，通过PCA降维可视化，发现恶性和良性样本在二维分布图中大致可分，表明该数据集具有良好的分类边界。总结指出，该数据集特征相关
乳腺癌威斯康星（原始）数据集：wdbc.data
07-10
字段中包含mean的代表平均值，包含se的代表标准差（standard error），包含worst代表最大值（3个最大值的平均值）。每张图像都计算了相应的特征，得出了这30个特征值。（实际上是10个特征值的3个维度：平均、标准差、最大值）。 这些特征值都保留了4位数字。字段中没有缺失的值。在整个569个患者中，一共有357个是良性，212个是恶性
威斯康星州乳腺癌：[ICMLSC 2018]乳腺癌检测：机器学习算法在威斯康星州诊断数据集上的应用
02-05
乳腺癌检测：机器学习算法在威斯康星州诊断数据集上的应用 注意：此存储库已淘汰，不会移植为使用TF2。 但是，您可以以此为参考。 该论文于2018年2月2-4日在越南富国岛举行的第二届机器学习与软计算国际会议（ICMLSC）上发表。 有关该项目的全文，请访问 。 抽象 本文对威斯康星州的六种机器学习（ML）算法进行了比较： ，线性回归，多层感知器（MLP），最近邻（NN）搜索，Softmax回归和支持向量机（SVM）诊断性乳腺癌（WDBC）数据集通过测量其分类测试的准确性以及其敏感性和特异性值。 所述数据集包含特征，这些特征是根据乳腺肿块的FNA测试的数字化图像计算得出的[22]。 为
练习（二）——威斯康辛乳腺癌数据集
我是托蜜的博客
03-20 4万+
该数据集来自南斯拉夫卢布尔雅那大学医疗中心肿瘤研究所，由M. Zwitter 与 M. Soklic 二者提供，感谢。该数据集可在UCI数据库中找到。该数据库是加州大学欧文分校提出的用于机器学习的数据库，是一个常用的标准测试数据集。 该数据集有2大类，9个属性，共286个实例。 class：类别，分别是乳腺癌复发（recurrence-events）和未复发（no-recurrence-eve...
PYTHON sklearn库降维聚类实战——威斯康辛州乳腺癌数据集聚类
qq_44883083的博客
06-01 9861
PYTHON sklearn库降维聚类实战——威斯康辛州乳腺癌数据集聚类 威斯康辛州乳腺癌数据集 此数据集是sklearn.datasets的内置数据集，包含了威斯康辛州记录的569个病人的乳腺癌恶性/良性（1/0）类别型数据（训练目标），以及与之对应的30个维度的生理指标数据。 本次实验使用了随即投影、T-SNE、PCA、Isomap四种降维方法和DBScan、K-means、GMM三种聚类方...
案例：乳腺癌威斯康星州（原始）数据集
热门推荐
积一时之步，臻千里之遥程
10-09 4万+
数据：http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Original%29 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from pylab import mpl # 正常显示中文标签 mpl.rcParams['font.sans-serif'] = ['SimHei'] #
分类问题常用算法之决策树、随机森林及python实现
LIsaWinLee的博客
06-24 2546
关于决策树和随即森林的知识
使用GFS的乳腺癌威斯康星州（诊断）数据分析：使用聚类和遗传模糊算法分析的乳腺癌威斯康星州（诊断）UCI数据-matlab开发
05-28
开发一个精确的系统来分析乳腺癌图像数据可以使医生对评估患者有更多的信心，并可用于扫描临床数据库中的所有过去扫描结果，以了解是否有任何患者处于危险之中。 模糊逻辑系统非常适合构建可以准确地近似人类专业知识的知识库和规则库，例如可以例行诊断患者乳腺癌的医生。 遗传算法通过使用数据的子集来学习模糊逻辑系统的最佳隶属函数和规则库，从而增强了模糊逻辑系统的功能，尤其是在给定系统代表性数据集的情况下。 这两种技术的结合可用于开发高度准确的癌症诊断近似器。
乳腺癌威斯康星（预后）数据集
12-12
数据来自：UCI机器学习库 http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/wpbc.names “每个记录代表一个乳腺癌病例的随访数据。这些是自1984年以来Wolberg博士所见的连续患者，仅包括那些在诊断时表现出浸润性乳腺癌并且没有远处转移证据的病例。
使用乳腺癌威斯康星诊断数据集
06-25
使用乳腺癌威斯康星诊断数据集
decision-tree:对新患者进行分类的乳腺癌数据集的决策树
05-05
决策树 对新患者进行分类的乳腺癌数据集的决策树。 训练数据 该模型是使用699例乳腺癌患者的数据集构建的。 数据集经过归一化和清洗，最终使500名患者接受了培训和测试的最终数据集。 共有500例患者，其中262例（52.4％）患有良性肿瘤，238例（47.6％）患有恶性肿瘤。 为了进行训练，使用了80％的数据，其中40％是良性肿瘤，40％是恶性肿瘤，其余20％用于测试。 在这20％中，12.4％来自良性肿瘤，而7.6％来自恶性肿瘤。 怎么跑 克隆存储库 启动你的服务器 现在，您可以从“决策树”中访问预测结果。 要查看命中率，请inspecionar并检查console 。 注释 src目录中的decision-tree.js文件已从以下存储库中删除，该存储库允许使用和修改： :
决策树分类实验（乳腺癌）.zip_wpbc数据集_乳腺癌数据_决策树 cancer_决策树分类程序（使用乳腺癌数据集）_决策树数
07-15
决策树分类程序，包含使用的数据集和运行结果
决策树随机森林与xgboost的比较分析
weixin_26735933的博客
09-11 8519
Machine Learning and AI has continued to be a growing and expanding field of interest and work for several years. It has continued to gain a lot of attention and has seen an influx of many undergradua...
乳腺癌威斯康星州数据集数据处理python代码
qq_62528741的博客
11-22 596
学习机器学习记录，如有错误，请不吝赐教。
第二个机器学习应用：乳腺癌数据集在决策树模型上的挖掘
m0_57656758的博客
04-22 2136
此时决策树在训练数据集上预测准确率是百分百的，但是在测试数据集上只有60%的准确率，很显然出现了过拟合，可通过设置树深来改善过拟合。设置max_depth=4，这表明构造的决策树只有4层，限制树的深度可以减少过拟合，这会降低训练集的精度，但可以提高测试集的精度。训练精度为98.8%，测试精度为95.1%，树的最大深度只有4层，降低了训练精度，但提高了泛化（测试）精度，改善了过拟合的状况。，每个特征对树决策的重要性进行排序， 其中0表示“根本没用到”，1表示“完美预测目标值”，特征重要性的求和始终为1。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值