Breast_Cancer_Classification 利用逻辑回归和神经网络模型基于数字化活检图像将乳腺癌肿瘤分类为恶性或良性

乳房X光造影质量分类 客观的 该项目使用不同的机器学习算法（包括支持向量机，逻辑回归，决策树，朴素贝叶斯，人工神经网络等）将乳腺肿块分类为良性或恶性。 为每条曲线绘制ROC曲线，以识别问题的最佳分类算法。 问题 乳房X线照相术是当今可用的最有效的乳腺癌筛查方法。 然而，由于乳房X线照片解释导致的乳房活检的低阳性预测价值导致大约70％的不必要的活检具有良性结果。 为了减少不必要的乳房活检的数量，最近几年提出了几种计算机辅助诊断（CAD）系统，这些系统可以帮助医生决定对乳房X光检查中发现的可疑病变进行乳房活检或进行而是进行短期随访检查。 数据集 已使用UCI储存库中的“乳腺摄影质量”公共数据集。 （来源： : ）该数据集可用于根据BI-RADS属性和患者的年龄。 属性数量：6（1个目标字段：严重性，1个非预测性：BI-RADS，4个预测性属性） 属性信息： BI-RADS评估：1到5

cs231n乳房X线照片 使用CBIS-DDSM数据集将乳房X线照片分类为良性/恶性。 斯坦福CS 231N。

15000左右良性软件和5万左右恶意软件反编译好的权限xml文件。 注意是反编译好的XML文件不是APK本体。如果需要本体我有恶意软件的下载链接，请联系我。良性软件自己写个爬虫爬吧。

男X MaleX是恶意软件和良性Windows可执行文件示例的精选数据集，适用于恶意软件研究人员。 数据集包含1,044,394个Windows可执行二进制文件，其中864,669被标记为恶意软件，而179,725被标记为良性。 该数据集具有合理数量的样本，足以测试数据驱动的机器学习分类方法，还可以在可伸缩性和适应性方面衡量设计模型的性能。 频域中的恶意软件可视化 在频域中可视化恶意软件的动机是由于文学中恶意软件的“稀疏”特征表示形式，通常是从二进制文件的原始字节或反汇编的指令（n-gram，n-perms）中提取出来的。 将给定的可执行二进制文件读取为16位带符号十六进制向量，并将其划分为相应的二位字节（n-gram字节，n = 2）。 例如，对于字节流0a1bc48a ，对应的二元组将为0a1b ， 1bc4和c48a 。 然后，我们使用二元语法频率计数来获得尺寸为256x256的

使用机器学习进行乳腺癌预测 问题识别： 乳腺癌是女性中最常见的恶性肿瘤，占美国女性确诊的癌症的三分之一，并且是女性癌症死亡的第二大主要原因。 乳腺癌是由于乳房组织中细胞异常生长（通常称为肿瘤）而导致的。 肿瘤并不意味着癌症-肿瘤可以是良性（非癌性），恶性前（癌性前）或恶性（癌性）。 诸如MRI，乳房X线照片，超声和活检的检查通常用于诊断所进行的乳腺癌。 目标： 目的是对乳腺癌患者被诊断为良性还是恶性进行分类。 为此，我们使用了机器学习分类方法来拟合可以预测新患者分类的功能。 入门 该项目分为以下步骤： 导入库和数据 数据预处理 数据可视化 建筑模型 导入库和数据集： 1.1）图书馆：二手熊猫，NumPy，Matplotlib，Seaborn和Sklearn图书馆 1.2）数据集：乳腺癌数据集是由加利福尼亚大学欧文分校维护的机器学习存储库。 该数据集包含569个恶性和良性肿瘤细胞

食品行业周报：保健品市场良性发展，餐饮供应链具有长期发展空间.pdf

国信证券-山西汾酒(600809)重大事件快评：清香逐渐起势，全年稳健良性增长可期-210723.pdf

白酒动态跟踪：整体回款动销及价盘保持良性.pdf

机器学习-肿瘤识别 在乳腺癌数据集上探索了机器学习技术，以建立算法来预测肿瘤是恶性还是良性。 比较了诸如Logistic回归，k最近邻和决策树等有监督学习算法的性能。 还研究了使用PCA和Pearson相关矩阵进行特征工程的效果以及使用欠采样和过采样进行数据工程的效果。