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。

机器学习+PyTorch预测乳腺癌的csv数据

早期的癌症预测非常重要，因为患者可以准备应对它。 有几种机器学习模型可以通过识别高风险的独立样本来帮助预测癌症，从而简化癌症试验的设计和规划。 这些模型使用生物标志物（例如年龄，更年期，肿瘤大小，肿瘤，乳房，乳房四分之一尺度）来预测乳腺癌。 但是，这些模型的主要缺点是后期预测以及准确性低。 因此，在这里介绍一种使用基因表达谱（基因组数据）来早期预测乳腺癌的系统。 该模型是使用不同的机器学习算法构建的，例如高度通用的支持向量机（SVM），朴素贝叶斯定理，决策树和最近邻居方法，可使用基因表达谱预测乳腺癌。

①随机森林+相关性分析。采用决策树回归、线性回归、梯度提升向量机、改进型贪心调优 ②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。 ③代码很全，横向纵向可对比，并提供模型，3种解法