WBPC康纳斯星州乳腺癌数据集，包括诊断数据集与预后诊断数据集，源数据，可以作为KNN、SVM等机器学习的练习数据使用

多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

社会上的主要疾病是全世界女性的乳腺癌，其中27％的女性患有癌症。 机器学习分类器适合医师以低成本和时间进行完美诊断。 分类器的比较性能分析需要获得准确的诊断，因为医学数据由本质上嘈杂的高维数据组成。 在这项研究中，将不同的分类器机器学习技术应用于乳腺癌数据集。 印度的癌症发生率在30年代初有所增加，但在50-64岁时达到最高点。 根据NICPR报告，在28名妇女中，有一名妇女患了乳腺癌。 但是这种比例将改变城市人口，其中22名妇女中有1名妇女受到影响。 在农村，该比例增加到每60名妇女中增加1名？ 通过早期诊断和治疗可以提高患者的治愈率，这可以延长他们的寿命。 在这里，我们已经建立了一个模型来识别癌细胞是良性还是恶性的。 我们使用了机器学习技术分类器。 在这里，我们必须确定一种在不同的手术条件和数据集下预测疾病的合适技术。 结果分析表明，SVM被认为是识别不同性能矩阵（例如灵敏度，准确性，误差和特异性）的合适选择。

乳腺癌检测数据集：数据集共有569个样本，每个样本有30个特征，其中357个阳性，212个阴性。

根据提供的ERα拮抗剂信息（1974个化合物样本，每个样本都有729个分子描述符变量，1个生物活性数据，5个ADMET性质数据），构建化合物生物活性的定量预测模型和ADMET性质的分类预测模型，从而为同时优化ERα拮抗剂的生物活性和ADMET性质提供预测服务。

chapter28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断

2021年华为杯全国研究生数学建模竞赛D题代码，抗乳腺癌候选药物优化建模，在对数据进行预处理和关联性分析后，首先通过7种不同的降维方法筛选主要分子描述符；接着对于每种降维方法使用6类回归算法，并引入集合算法Stacking模型。最终得到不错的评估效果。基于python实现，并将每一步的过程都单独做成jupyter文件，方便使用学习。

基于机器学习的乳腺组织电阻抗特性的乳腺癌诊断，内包含数据集以及算法源码

人工智能-项目实践-逻辑回归-基于逻辑回归的癌症预测案例——【癌症分类预测-良／恶性乳腺癌肿瘤预测】 基于逻辑回归的癌症预测案例——【癌症分类预测-良／恶性乳腺癌肿瘤预测】

癌症是导致人类死亡的众所周知的疾病，乳腺癌（BC）是女性诊断出的癌症之一。 一生中大约有八名女性被诊断出患有BC。 如果尽早诊断出BC，可以很容易地进行治疗。 这项研究的方法是通过不同的机器学习（ML）技术来识别患有BC或不患有BC的患者。 在这项研究中，威斯康星州诊断性乳腺癌（WDBC）数据集将通过支持向量机（SVM），k最近邻（k-NN），朴素贝叶斯（NB），决策树（DT）和逻辑回归（LR）进行分类）。 分类之前有一个预处理阶段，其中五个不同的分类器应用了5倍交叉验证方法。 分类性能是通过使用混淆量度通过性能测量参数（即准确性，敏感性和特异性）来测量的。 在这项研究中，SVM在归一化过程后发现的最佳性能为99.12％的精度。