乳腺癌 sklearn乳腺癌数据集的机器学习练习

癌症预测 使用机器学习进行乳腺癌预测 使用的算法和精度： 算法精度 Logistic Regression Method 0.982456 Decision Tree Classifier Method 0.941520 Random Forest Classifier Method 0.947368 Support Vector Classifier Method 0.970760

良\恶性乳腺癌肿瘤预测数据集，已经分为训练集和集。

字段中包含mean的代表平均值，包含se的代表标准差（standard error），包含worst代表最大值（3个最大值的平均值）。每张图像都计算了相应的特征，得出了这30个特征值。（实际上是10个特征值的3个维度：平均、标准差、最大值）。 这些特征值都保留了4位数字。字段中没有缺失的值。在整个569个患者中，一共有357个是良性，212个是恶性

Logistic回归 威斯康星州诊断性乳腺癌（WDBC）数据集的Logistic回归

LDC KNN SVM QDC 测试brest-cancer数据，得出分类正确率和roc曲线

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

Breast-Cancer-Prediction:在人工智能学术课程中使用监督学习决策树算法进行乳腺癌预防

深度学习在联合超声和钼靶检查乳腺癌中的应用.pdf

在该数据集中，有58个H＆E染色的组织病理学图像用于乳腺癌细胞检测，并提供了相关的地面真实数据。 Breast Cancer Cell Segmentation_datasets.txt Breast Cancer Cell Segmentation_datasets.zip