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
2021-11-16 13:52:49
943KB
1
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。
2021-11-10 14:55:52
92.32MB
1
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
2021-09-11 11:14:25
176KB
1
《python机器学习及实践》良/恶性乳腺肿瘤预测训练数据
2021-08-07 21:07:53
14KB
1
《python机器学习及实践》良/恶性乳腺肿瘤预测测试数据
2021-08-07 21:07:52
2KB
1