STAT 479：机器学习（2019年秋季） 威斯康星大学麦迪逊分校的Sebastian Raschka教授的STAT 479：机器学习（FS 2019）课程材料 主题摘要（计划中） 以下是我计划涵盖的主题列表。 请注意，虽然这些主题是通过讲座进行编号的，但是请注意，有些讲座的长短比其他讲座短。 此外，如果您担心时间问题，我们可能会跳过某些主题，而转向其他主题。 虽然本节概述了可能涉及的潜在主题，但实际主题将在课程列出。 第一部分：简介 第二部分：计算基础 第三部分：基于树的方法 第四部分：评估 第五部分：降维

乳腺癌检测：机器学习算法在威斯康星州诊断数据集上的应用 注意：此存储库已淘汰，不会移植为使用TF2。 但是，您可以以此为参考。 该论文于2018年2月2-4日在越南富国岛举行的第二届机器学习与软计算国际会议（ICMLSC）上发表。 有关该项目的全文，请访问 。 抽象 本文对威斯康星州的六种机器学习（ML）算法进行了比较： ，线性回归，多层感知器（MLP），最近邻（NN）搜索，Softmax回归和支持向量机（SVM）诊断性乳腺癌（WDBC）数据集通过测量其分类测试的准确性以及其敏感性和特异性值。 所述数据集包含特征，这些特征是根据乳腺肿块的FNA测试的数字化图像计算得出的[22]。 为

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

主成分分析法进行降维处理，再用KNN进行分类，乳腺癌诊断精确度达96% 威斯康星乳腺癌数据集+matlab代码

人工神经网络 人工神经网络-威斯康星州乳腺癌检测

数据来自：UCI机器学习库 http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/wpbc.names “每个记录代表一个乳腺癌病例的随访数据。这些是自1984年以来Wolberg博士所见的连续患者，仅包括那些在诊断时表现出浸润性乳腺癌并且没有远处转移证据的病例。