用于乳腺癌图像肿块分割 提取了roi区域 有.mat文件 可直接在程序上运行

用于乳腺癌数据集的 BBO-MLP 虹膜数据集的 MMO-MLP 可以在这里找到： http : //www.mathworks.com.au/matlabcentral/fileexchange/45804-biogeography-based-optimizer--bbo--for-training-multi-layer-perceptron--毫升- 基于生物地理学的优化器 (BBO) 被用作多层感知器 (MLP) 的训练器。 当前的源代码是用于解决虹膜分类问题的 BBO-MLP 训练器的演示。 本次提交中还有其他培训师：粒子群优化 (PSO)、蚁群优化 (ACO)、遗传算法 (GA)、进化策略 (ES) 和基于概率的增量学习 (PBIL)。 BBO-MLP 的分类精度在 main.m 文件的末尾计算，并与 PSO、ACO、ES、GA 和 PBIL 的分类精度进行比较。 最后绘

本数据包是较好的学习乳腺癌肿块分割的数据包，可以用来做分割及检测用

数据是用于乳腺X线摄影扫描的图像和标签/注释。自动发现病变对医师而言将是非常有用的工具，还可根据发现/标记的病变预测恶性肿瘤。 Info.txt all_mias_scans.h5 MIAS Mammography_datasets.txt MIAS Mammography_datasets.zip

matlab开发-乳腺癌模拟。女性胸部有无肿瘤图像

基于数据分析，利用weka软件和决策数原理，对数据进行分析挖掘，根据人体的不同特征信息因素进行分类挖掘。

乳腺癌数据分类模型 在乳腺癌数据上实现不同的分类模型，并通过K折交叉验证来验证模型的准确性，并通过网格交叉来获得合适的超参数。 涵盖的型号。 1）通过网格搜索和K折交叉验证进行XG增强2）通过网格搜索和K折交叉验证进行逻辑回归

乳腺癌分类 使用支持向量机的乳腺癌诊断分类 客观的： 知识库是一项学习练习，旨在： 从可用数据集中应用机器学习的基本概念 根据观察到的数据集评估和解释我的结果并证明我的解释是正确的 创建笔记本作为计算记录并记录我的思考过程。 分析分为多个部分，保存在该存储库的juypter笔记本中识别问题和数据源探索性数据分析预处理数据构建模型以预测乳房细胞组织是恶性还是良性 达到的精度-97％

支持向量机SVM是一种新的机器学习方法，其基础是统计学理论。模型泛化能力强；进行非线性分类时通过高维空间变换。

根据细胞大小和肿瘤厚度两个参数来判断良/恶性乳腺癌肿瘤