使用K近邻算法诊断乳腺癌

使用K近邻算法诊断乳腺癌

一、设计内容及目的

（一）设计内容

数据收集：收集包含乳腺癌相关特征的数据集，例如肿块大小、肿块形状、肿块表面的光滑度、肿块边缘的均匀性等。这些特征可以从乳腺癌病例的医疗记录中获取。

数据预处理：对数据进行清洗、特征选择和编码。确保数据格式的一致性和可用性。

数据划分：将数据集分为训练集和测试集，通常按照70%的数据用于训练，30%的数据用于测试。

特征标准化：对特征进行标准化处理，使其在同一尺度上，以确保不同特征对结果的影响是一致的。

模型训练：使用训练集训练KNN模型，选择适当的K值（最近邻数）。

模型预测：使用测试集评估KNN模型的性能，并对乳腺癌进行诊断预测。

模型评估：使用评估指标（如准确率、精确率、召回率、F1分数等）来评估模型的性能，查看模型的准确性和泛化能力。

超参数调优：通过交叉验证等技术调整KNN模型的超参数，以提高模型的预测性能。

（二）设计目的

近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。据国家癌症中心和卫生部疾病预防控制局2012年公布的2009年乳腺癌发病数据显示：全国肿瘤登记地区乳腺癌发病率位居女性恶性肿瘤的第1位，女性乳腺癌发病率（粗率）全国合计为42.55/10万，城市为51.91/10万，农村为23.12/10万。 

早期的乳腺癌检测主要检查乳腺组织的异常肿块。如果发现一个肿块，那么就需要进行细针抽吸活检，然后在显微镜下检查细胞，从而确定肿块是良性还是恶性。如果能够通过机器学习建模，通过乳腺肿块的检测数据自动进行诊断，将会给医疗系统带来很大的益处。一方面，自动诊断能够大大提高检测效率。另一方面，结合大量不同历史案例的自动诊断能够使辅助医生进行决策，降低误判的风险。

二、总体设计

1. 数据源 ：使用公开的乳腺癌诊断数据集作为案例的数据源。

2、数据标准化：

2.1、数据标准化：

对数据进行标准化处理，确保不同特征的值处于相同的尺度范围，避免特征值范围差异对算法的影响。

2.2、划分训练集和测试集：

将数据集划分为训练集和测试集，一般用于训练模型的数据为70%，用于测试模型的数据为30%。

3、模型训练：使用KNeighborsClassifier算法在训练集上训练乳腺癌诊断模型。

4、模型性能评估：通过对比我们构建的K近邻模型在测试数据上的预测结果breast_cancer_test_pred和测试样本真实的类标签，我们可以评估我们构建的乳腺癌诊断模型的应用效果。我们使用sklern.metrics包中的相关函数来计算评估结果。

5、模型性能提升

5.1、测试不同k取值对模型效果的影响：

调整KNeighborsClassifier算法中的K值来观察不同K值对模型性能的影响。

5.2、采用Z-score标准化方法：

采用Z-score标准化方法对数据进行标准化处理，可以进一步改善模型性能。

三、详细设计

（一）数据导入与训练模块设计

1.功能设计