国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

基于決策樹(Decision Tree)的乳腺癌診斷

這篇具有很好參考價值的文章主要介紹了基于決策樹(Decision Tree)的乳腺癌診斷。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方,請大家不吝賜教,您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

????????決策樹(DecisionTree)學(xué)習(xí)是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法。算法從--組無序、無規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則,決策樹也能表示為多個If-Then規(guī)則。一般在決策樹中采用“自頂向下、分而治之”的遞歸方式,將搜索空間分為若千個互不相交的子集,在決策樹的內(nèi)部節(jié)點(diǎn)(非葉子節(jié)點(diǎn))進(jìn)行屬性值的比較,并根據(jù)不同的屬性值判斷從該節(jié)點(diǎn)向下的分支,在樹的葉節(jié)點(diǎn)得到結(jié)論。
????????數(shù)據(jù)挖掘中的分類常用決策樹實(shí)現(xiàn)。到目前為止,決策樹有很多實(shí)現(xiàn)算法,例如1986年由Quinlan提出的ID3算法和1993年提出的C4.5算法,以及CART,C5.0(C4.5的商業(yè)版本),SLIQ和SPRINT等。本章將詳細(xì)講解ID 3算法和C 4.5算法的基本思想,并結(jié)合實(shí)例講解在MATLAB環(huán)境
下利用決策樹解決分類問題。

1.案例背景

1. 1 決策樹分類器概述

????????1)決策樹分類器的基本思想及其表示
????????決策樹通過把樣本實(shí)例從根節(jié)點(diǎn)排列到某個葉子節(jié)點(diǎn)來對其進(jìn)行分類。樹上的每個非葉子節(jié)點(diǎn)代表對一個屬性取值的測試,其分支就代表測試的每個結(jié)果;而樹上的每個葉子節(jié)點(diǎn)均代表一個分類的類別,樹的最高層節(jié)點(diǎn)是根節(jié)點(diǎn)。
????????簡單地說,決策樹就是一個類似流程圖的樹形結(jié)構(gòu),采用自頂向下的遞歸方式,從樹的根節(jié)點(diǎn)開始,在它的內(nèi)部節(jié)點(diǎn)上進(jìn)行屬性值的測試比較,然后按照給定實(shí)例的屬性值確定對應(yīng)的分支,最后在決策樹的葉子節(jié)點(diǎn)得到結(jié)論。這個過程在以新的節(jié)點(diǎn)為根的子樹上重復(fù)。圖28-1所示為決策樹的結(jié)構(gòu)示意圖。在圖上,每個非葉子節(jié)點(diǎn)代表訓(xùn)練集數(shù)據(jù)的輸人屬性,Attribute Value代表屬性對應(yīng)的值,葉子節(jié)點(diǎn)代表目標(biāo)類別屬性的值。圖中的“Yes”、“No”分別代表實(shí)例集中的正例和反例。

基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab
????????2)ID3算法
????????到目前為止,已經(jīng)有很多種決策樹生成算法,但在國際上最有影響力的示例學(xué)習(xí)算法首推J. R. Quinlan的ID 3(Iterative Dichotomic version 3)算法。Quinlan的首創(chuàng)性工作主要是在決策樹的學(xué)習(xí)算法中引入信息論中互信息的概念,他將其稱作信息增益(information gain),以之作為屬性選擇的標(biāo)準(zhǔn)。

????????為了精確地定義信息增益,這里先定義信息論中廣泛使用的一一個度量標(biāo)準(zhǔn),稱為熵(entropy),它刻畫了任意樣例集的純度(purity)。如果目標(biāo)屬性具有c個不同的值,那么集合S相對于c個狀態(tài)的分類的熵定義為

基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

????????由上式可以得到:若集合S中的所有樣本均屬于同一類,則Entropy(S)=0;若兩個類別的樣本數(shù)不相等,則Entropy(S)∈(0,1)。
????????特殊地,若集合S為布爾型集合,即集合S中的所有樣本屬于兩個不同的類別,則若兩個類別的樣本數(shù)相等,有Entropy(S)=1。 圖28-2描述了布爾型集合的熵與p;的關(guān)系。基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

????????已經(jīng)有了摘作為衡量訓(xùn)練樣例集合純度的標(biāo)準(zhǔn),信息增益 Gain(S,A )的定義為
基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

????????引入信息增益的概念后,下面將詳細(xì)介紹ID3算法的基本流程。不妨設(shè)Examples為訓(xùn)練樣本集合,Attributelist為候選屬性集合。
????????①創(chuàng)建決策樹的根節(jié)點(diǎn)N;
????????②若所有樣本均屬于同一類別C,則返回N作為-一個葉子節(jié)點(diǎn),并標(biāo)志為C類別;
????????③若Attributelist為空,則返回N作為一一個葉子節(jié)點(diǎn),并標(biāo)志為該節(jié)點(diǎn)所含樣本中類別最多的類別;
????????④計(jì)算Attributelist中各個候選屬性的信息增益,選擇最大的信息增益對應(yīng)的屬性Attribute* ,標(biāo)記為根節(jié)點(diǎn)N;
????????⑤根據(jù)屬性Attribute*值域中的每個值V;,從根節(jié)點(diǎn)N產(chǎn)生相應(yīng)的一個分支,并記S,為Examples集合中滿足Attribute" =V,條件的樣本子集合;
????????⑥若S,為空,則將相應(yīng)的葉子節(jié)點(diǎn)標(biāo)志為Examples樣本集合中類別最多的類別;否則,將屬性Attribute*從Attribute list 中刪除,返回①,遞歸創(chuàng)建子樹。
????????3)C4.5算法
????????針對ID3算法存在的一些缺點(diǎn),許多學(xué)者包括Quinlan都做了大量的研究。C4.5算法便是ID 3算法的改進(jìn)算法,其相比于ID3改進(jìn)的地方主要有:
? ? ? ? ①用信息增益率(gainratio)來選擇屬性
????????信息增益率是用信息增益和分裂信息量(splitinformation)共同定義的,關(guān)系如下:

基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

????????采用信息增益率作為選擇分支屬性的標(biāo)準(zhǔn),克服了ID3算法中信息增益選擇屬性時偏向選擇取值多的屬性的不足。
? ? ? ? ②樹的剪枝
????????剪枝方法是用來處理過擬合問題而提出的,一般分為先剪枝和后剪枝兩種方法。先剪枝方法通過提前停止樹的構(gòu)造,比如決定在某個節(jié)點(diǎn)不再分裂,而對樹進(jìn)行剪枝。一旦停止,該節(jié)點(diǎn)就變?yōu)槿~子節(jié)點(diǎn),該葉子節(jié)點(diǎn)可以取它所包含的子集中類別最多的類作為節(jié)點(diǎn)的類別。
????????后剪枝的基本思路是對完全成長的樹進(jìn)行剪枝,通過刪除節(jié)點(diǎn)的分支,并用葉子節(jié)點(diǎn)進(jìn)行替換,葉子節(jié)點(diǎn)一般用子集中最頻繁的類別進(jìn)行標(biāo)記。
????????C4.5算法采用的悲觀剪枝法(PessimisticPruning)是Quinlan在1987年提出的,屬于后剪枝方法的一種。它使用訓(xùn)練集生成決策樹,并用訓(xùn)練集進(jìn)行剪枝,不需要獨(dú)立的剪枝集。悲觀剪枝法的基本思路是:若使用葉子節(jié)點(diǎn)代替原來的子樹后,誤差率能夠下降,則就用該葉子節(jié)點(diǎn)代替原來的子樹。關(guān)于樹的剪枝詳盡算法,請參考本章的參考文獻(xiàn),此處不再贅述。
????????4)決策樹分類器的優(yōu)缺點(diǎn)
????????相對于其他數(shù)據(jù)挖掘算法,決策樹在以下幾個方面擁有優(yōu)勢:
????????①決策樹易于理解和實(shí)現(xiàn)。人們在通過解釋后都有能力去理解決策樹所表達(dá)的意義。
????????②對于決策樹,數(shù)據(jù)的準(zhǔn)備往往是簡單或者是不必要的。其他的技術(shù)往往要求先把數(shù)據(jù)歸一化,比如去掉多余的或者空白的屬性。
????????③能夠同時處理數(shù)據(jù)型和常規(guī)型屬性。其他的技術(shù)往往要求數(shù)據(jù)屬性單--。
????????④是一個白盒模型。如果給定一個觀察的模型,那么根據(jù)所產(chǎn)生的決策樹很容易推出相應(yīng)的邏輯表達(dá)式。

????????同時,決策樹的缺點(diǎn)也是明顯的,主要表現(xiàn)為:
????????①對于各類別樣本數(shù)量不一致的數(shù)據(jù),在決策樹當(dāng)中信息增益的結(jié)果偏向于那些具有更多數(shù)值的特征。
????????②決策樹內(nèi)部節(jié)點(diǎn)的判別具有明確性,這種明確性可能會帶來誤導(dǎo)。

1.2 問題描述

????????威斯康辛大學(xué)醫(yī)學(xué)院經(jīng)過多年的收集和整理,建立了一個乳腺腫瘤病灶組織的細(xì)胞核顯微圖像數(shù)據(jù)庫。數(shù)據(jù)庫中包含了細(xì)胞核圖像的10個量化特征(細(xì)胞核半徑、質(zhì)地、周長、面積、光滑性、緊密度、凹陷度、凹陷點(diǎn)數(shù)、對稱度、斷裂度),這些特征與腫瘤的性質(zhì)有密切的關(guān)系。因此,需要建立一個確定的模型來描述數(shù)據(jù)庫中各個量化特征與腫瘤性質(zhì)的關(guān)系,從而可以根據(jù)細(xì)胞核顯微圖像的量化特征診斷乳腺腫瘤是良性還是惡性的。

2.模型建立

2.1 設(shè)計(jì)思路

????????將乳腺腫瘤病灶組織的細(xì)胞核顯微圖像的10個量化特征作為模型的輸人,良性乳腺腫瘤和惡性乳腺腫瘤作為模型的輸出。用訓(xùn)練集數(shù)據(jù)進(jìn)行決策樹分類器的創(chuàng)建,然后對測試集數(shù)據(jù)進(jìn)行仿真測試,最后對測試結(jié)果進(jìn)行分析。

2.2 設(shè)計(jì)步驟

????????根據(jù)上述設(shè)計(jì)思路,設(shè)計(jì)步驟主要包括以下幾個部分,如圖28-3所示。

基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

????????1)數(shù)據(jù)采集
????????數(shù)據(jù)來源于威斯康辛大學(xué)醫(yī)學(xué)院的乳腺癌數(shù)據(jù)集,共包括569個病例,其中,良性357例,惡性212例。本書隨機(jī)選取500組數(shù)據(jù)作為訓(xùn)練集,剩余69組作為測試集。每個病例的一組數(shù)據(jù)包括采樣組織中各細(xì)胞核的這10個特征量的平均值、標(biāo)準(zhǔn)差和最壞值(各特征的3個最大數(shù)據(jù)的平均值)共30個數(shù)據(jù)。數(shù)據(jù)文件中每組數(shù)據(jù)共分32個字段:第1個字段為病例編號;第2個字段為確診結(jié)果,B為良性,M為惡性;第3~12個字段是該病例腫瘤病灶組織的各細(xì)胞核顯微圖像的10個量化特征的平均值;第13~22個字段是相應(yīng)的標(biāo)準(zhǔn)差;第23~32個字段是相應(yīng)的最壞值。
????????2)決策樹分類器創(chuàng)建
????????數(shù)據(jù)采集完成后,利用MATLAB自帶的統(tǒng)計(jì)工具箱函數(shù)ClassificationTree. fit(MATLAB R2012b)或classregtree(MATLAB R2009a) ,即可基于訓(xùn)練集數(shù)據(jù)創(chuàng)建一個決策樹分類器。

????????3)仿真測試
????????決策樹分類器創(chuàng)建好后,利用MATLAB自帶的統(tǒng)計(jì)工具箱函數(shù)predict(MATLABR2012b)或eval(MATLAB R2009a),即可對測試集數(shù)據(jù)進(jìn)行仿真預(yù)測。
????????4)結(jié)果分析
????????通過對決策樹分類器的仿真結(jié)果進(jìn)行分析,可以得到誤診率(包括良性被誤診為惡性、惡性被誤診為良性),從而可以對該方法的可行性進(jìn)行評價。同時,可以與其他方法進(jìn)行比較,探討該方法的有效性。

3 決策樹分類器編程實(shí)現(xiàn)

? ? ? ? 決策樹分類器完整代碼實(shí)現(xiàn)如下:

%% 決策樹分類器在乳腺癌診斷中的應(yīng)用研究

%% 清空環(huán)境變量
clear all
clc
warning off

%% 導(dǎo)入數(shù)據(jù)
load data.mat
% 隨機(jī)產(chǎn)生訓(xùn)練集/測試集
a = randperm(569);
Train = data(a(1:500),:);
Test = data(a(501:end),:);
% 訓(xùn)練數(shù)據(jù)
P_train = Train(:,3:end);
T_train = Train(:,2);
% 測試數(shù)據(jù)
P_test = Test(:,3:end);
T_test = Test(:,2);

%% 創(chuàng)建決策樹分類器
ctree = ClassificationTree.fit(P_train,T_train);
% 查看決策樹視圖
view(ctree);
view(ctree,'mode','graph');

%% 仿真測試
T_sim = predict(ctree,P_test);

%% 結(jié)果分析
count_B = length(find(T_train == 1));
count_M = length(find(T_train == 2));
rate_B = count_B / 500;
rate_M = count_M / 500;
total_B = length(find(data(:,2) == 1));
total_M = length(find(data(:,2) == 2));
number_B = length(find(T_test == 1));
number_M = length(find(T_test == 2));
number_B_sim = length(find(T_sim == 1 & T_test == 1));
number_M_sim = length(find(T_sim == 2 & T_test == 2));
disp(['病例總數(shù):' num2str(569)...
      '  良性:' num2str(total_B)...
      '  惡性:' num2str(total_M)]);
disp(['訓(xùn)練集病例總數(shù):' num2str(500)...
      '  良性:' num2str(count_B)...
      '  惡性:' num2str(count_M)]);
disp(['測試集病例總數(shù):' num2str(69)...
      '  良性:' num2str(number_B)...
      '  惡性:' num2str(number_M)]);
disp(['良性乳腺腫瘤確診:' num2str(number_B_sim)...
      '  誤診:' num2str(number_B - number_B_sim)...
      '  確診率p1=' num2str(number_B_sim/number_B*100) '%']);
disp(['惡性乳腺腫瘤確診:' num2str(number_M_sim)...
      '  誤診:' num2str(number_M - number_M_sim)...
      '  確診率p2=' num2str(number_M_sim/number_M*100) '%']);
  
%% 葉子節(jié)點(diǎn)含有的最小樣本數(shù)對決策樹性能的影響
leafs = logspace(1,2,10);

N = numel(leafs);

err = zeros(N,1);
for n = 1:N
    t = ClassificationTree.fit(P_train,T_train,'crossval','on','minleaf',leafs(n));
    err(n) = kfoldLoss(t);
end
plot(leafs,err);
xlabel('葉子節(jié)點(diǎn)含有的最小樣本數(shù)');
ylabel('交叉驗(yàn)證誤差');
title('葉子節(jié)點(diǎn)含有的最小樣本數(shù)對決策樹性能的影響')

%% 設(shè)置minleaf為28,產(chǎn)生優(yōu)化決策樹
OptimalTree = ClassificationTree.fit(P_train,T_train,'minleaf',28);
view(OptimalTree,'mode','graph')

% 計(jì)算優(yōu)化后決策樹的重采樣誤差和交叉驗(yàn)證誤差
resubOpt = resubLoss(OptimalTree)
lossOpt = kfoldLoss(crossval(OptimalTree))
% 計(jì)算優(yōu)化前決策樹的重采樣誤差和交叉驗(yàn)證誤差
resubDefault = resubLoss(ctree)
lossDefault = kfoldLoss(crossval(ctree))

%% 剪枝
[~,~,~,bestlevel] = cvLoss(ctree,'subtrees','all','treesize','min')
cptree = prune(ctree,'Level',bestlevel);
view(cptree,'mode','graph')

% 計(jì)算剪枝后決策樹的重采樣誤差和交叉驗(yàn)證誤差
resubPrune = resubLoss(cptree)
lossPrune = kfoldLoss(crossval(cptree))

基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

?基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

?基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab

基于決策樹(Decision Tree)的乳腺癌診斷,matlab機(jī)器學(xué)習(xí)-神經(jīng)網(wǎng)絡(luò)入門,決策樹,算法,機(jī)器學(xué)習(xí),matlab?

病例總數(shù):569 ?良性:357 ?惡性:212
訓(xùn)練集病例總數(shù):500 ?良性:315 ?惡性:185
測試集病例總數(shù):69 ?良性:42 ?惡性:27
良性乳腺腫瘤確診:41 ?誤診:1 ?確診率p1=97.619%
惡性乳腺腫瘤確診:26 ?誤診:1 ?確診率p2=96.2963%

5.案例擴(kuò)展

????????一般而言,對于一個“枝繁葉茂”的決策樹,訓(xùn)練集樣本的分類正確率通常較高。然而,并不能保證對于獨(dú)立的測試集也有近似的分類正確率。這是因?yàn)椋爸Ψ比~茂”的決策樹往往是過擬合的。相反,對于一個結(jié)構(gòu)簡單(分叉少、葉子節(jié)點(diǎn)少)的決策樹,訓(xùn)練集樣本的分類正確率并非特別高,但是可以保證測試集的分類正確率。

????????由于決策樹分類器具有原理簡單、計(jì)算量小、泛化性能較好、對數(shù)據(jù)要求不高等優(yōu)點(diǎn),故被
廣泛應(yīng)用在各行各業(yè)的數(shù)據(jù)挖掘中 。同時,近些年來,許多專家和學(xué)者為了提升決策樹分類器 的性能.彌補(bǔ)決策樹分類糕的缺點(diǎn),提出了很多改進(jìn)的算法,并且取得了一定的研究成果。

?文章來源地址http://www.zghlxwxcb.cn/news/detail-658068.html

?

?

?

到了這里,關(guān)于基于決策樹(Decision Tree)的乳腺癌診斷的文章就介紹完了。如果您還想了解更多內(nèi)容,請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來自互聯(lián)網(wǎng)用戶投稿,該文觀點(diǎn)僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符,請點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋,一經(jīng)查實(shí),立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

  • 基于邏輯回歸實(shí)現(xiàn)乳腺癌預(yù)測(機(jī)械學(xué)習(xí)與大數(shù)據(jù))

    基于邏輯回歸實(shí)現(xiàn)乳腺癌預(yù)測(機(jī)械學(xué)習(xí)與大數(shù)據(jù))

    將乳腺癌數(shù)據(jù)集拆分成訓(xùn)練集和測試集,搭建一個邏輯回歸模型,對訓(xùn)練集進(jìn)行訓(xùn)練,然后分別對訓(xùn)練集和測試集進(jìn)行預(yù)測。輸出以下結(jié)果: 該模型在訓(xùn)練集上的準(zhǔn)確率,在測試集上的準(zhǔn)確率、召回率和精確率。

    2024年03月11日
    瀏覽(27)
  • 基于Swin Transformers的乳腺癌組織病理學(xué)圖像多分類

    基于Swin Transformers的乳腺癌組織病理學(xué)圖像多分類

    乳腺癌的非侵入性診斷程序涉及體檢和成像技術(shù),如乳房X光檢查、超聲檢查和磁共振成像。成像程序?qū)τ诟娴卦u估癌癥區(qū)域和識別癌癥亞型的敏感性較低。 CNN表現(xiàn)出固有的歸納偏差,并且對于圖像中感興趣對象的平移、旋轉(zhuǎn)和位置有所不同。因此,通常在訓(xùn)練CNN模型時

    2024年04月11日
    瀏覽(31)
  • 大數(shù)據(jù)分析案例-基于LightGBM算法構(gòu)建乳腺癌分類預(yù)測模型

    大數(shù)據(jù)分析案例-基于LightGBM算法構(gòu)建乳腺癌分類預(yù)測模型

    ???♂? 個人主頁:@艾派森的個人主頁 ???作者簡介:Python學(xué)習(xí)者 ?? 希望大家多多支持,我們一起進(jìn)步!?? 如果文章對你有幫助的話, 歡迎評論 ??點(diǎn)贊???? 收藏 ??加關(guān)注+ 喜歡大數(shù)據(jù)分析項(xiàng)目的小伙伴,希望可以多多支持該系列的其他文章 大數(shù)據(jù)分析案例合集

    2024年02月16日
    瀏覽(24)
  • 文獻(xiàn)學(xué)習(xí)-27-基于連通性感知圖Transformer的數(shù)字病理圖像乳腺癌分類

    文獻(xiàn)學(xué)習(xí)-27-基于連通性感知圖Transformer的數(shù)字病理圖像乳腺癌分類

    Breast Cancer Classification from Digital ?Pathology Images via Connectivity-aware GraphTransformer Authors:? Kang Wang, Feiyang Zheng, Lan Cheng, Hong-Ning Dai, Qi Dou, Jing Qin,? Member, IEEE Source: I EEE TRANSACTIONS ON MEDICAL IMAGING (TMI) Keywords:? Tissue connectivity, Tissue topology phe notyping, Graph Transformer, Cancer classification, Entity

    2024年04月12日
    瀏覽(20)
  • 計(jì)算機(jī)競賽 基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺癌分類 深度學(xué)習(xí) 醫(yī)學(xué)圖像

    計(jì)算機(jī)競賽 基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺癌分類 深度學(xué)習(xí) 醫(yī)學(xué)圖像

    ?? 優(yōu)質(zhì)競賽項(xiàng)目系列,今天要分享的是 基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺癌分類 該項(xiàng)目較為新穎,適合作為競賽課題方向,學(xué)長非常推薦! ?? 更多資料, 項(xiàng)目分享: https://gitee.com/dancheng-senior/postgraduate 乳腺癌是全球第二常見的女性癌癥。2012年,它占所有新癌癥病例的12%,占所有女

    2024年02月11日
    瀏覽(91)
  • 基于深度學(xué)習(xí)的乳腺癌淋巴結(jié)轉(zhuǎn)移預(yù)測模型(E-Transformer)

    基于深度學(xué)習(xí)的乳腺癌淋巴結(jié)轉(zhuǎn)移預(yù)測模型(E-Transformer)

    乳腺癌細(xì)胞淋巴結(jié)轉(zhuǎn)移是界定乳腺癌早中期的重要標(biāo)準(zhǔn) ,需要活檢,患者體驗(yàn)較差。 傳統(tǒng)的圖像輔助診斷需要手動提取特征、組合圖像特征,效率低下、效果不佳。新興的基于深度學(xué)習(xí)的圖像輔助診斷,利用卷積神經(jīng)網(wǎng)絡(luò)通過全連接層或機(jī)器學(xué)習(xí)自動分割病灶、提取圖像特

    2024年04月17日
    瀏覽(42)
  • A.機(jī)器學(xué)習(xí)入門算法(八):基于BP神經(jīng)網(wǎng)絡(luò)的乳腺癌的分類預(yù)測

    A.機(jī)器學(xué)習(xí)入門算法(八):基于BP神經(jīng)網(wǎng)絡(luò)的乳腺癌的分類預(yù)測

    【機(jī)器學(xué)習(xí)入門與實(shí)踐】入門必看系列,含數(shù)據(jù)挖掘項(xiàng)目實(shí)戰(zhàn):數(shù)據(jù)融合、特征優(yōu)化、特征降維、探索性分析等,實(shí)戰(zhàn)帶你掌握機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘 專欄詳細(xì)介紹:【機(jī)器學(xué)習(xí)入門與實(shí)踐】合集入門必看系列,含數(shù)據(jù)挖掘項(xiàng)目實(shí)戰(zhàn):數(shù)據(jù)融合、特征優(yōu)化、特征降維、探索性分析

    2024年02月02日
    瀏覽(31)
  • 計(jì)算機(jī)競賽 深度學(xué)習(xí)乳腺癌分類

    計(jì)算機(jī)競賽 深度學(xué)習(xí)乳腺癌分類

    ?? 優(yōu)質(zhì)競賽項(xiàng)目系列,今天要分享的是 ?? 深度學(xué)習(xí)乳腺癌分類 該項(xiàng)目較為新穎,適合作為競賽課題方向,學(xué)長非常推薦! ??學(xué)長這里給一個題目綜合評分(每項(xiàng)滿分5分) 難度系數(shù):3分 工作量:3分 創(chuàng)新點(diǎn):4分 ?? 更多資料, 項(xiàng)目分享: https://gitee.com/dancheng-senior/postgradu

    2024年02月07日
    瀏覽(31)
  • 計(jì)算機(jī)設(shè)計(jì)大賽 深度學(xué)習(xí)乳腺癌分類

    計(jì)算機(jī)設(shè)計(jì)大賽 深度學(xué)習(xí)乳腺癌分類

    ?? 優(yōu)質(zhì)競賽項(xiàng)目系列,今天要分享的是 ?? 深度學(xué)習(xí)乳腺癌分類 該項(xiàng)目較為新穎,適合作為競賽課題方向,學(xué)長非常推薦! ??學(xué)長這里給一個題目綜合評分(每項(xiàng)滿分5分) 難度系數(shù):3分 工作量:3分 創(chuàng)新點(diǎn):4分 ?? 更多資料, 項(xiàng)目分享: https://gitee.com/dancheng-senior/postgradu

    2024年02月19日
    瀏覽(96)
  • 分類4:機(jī)器學(xué)習(xí)處理乳腺癌數(shù)據(jù)集代碼

    分類4:機(jī)器學(xué)習(xí)處理乳腺癌數(shù)據(jù)集代碼

    乳腺癌數(shù)據(jù)屬于二分類問題,包含569條樣本,31個特征,1個標(biāo)簽維度。 如果有需要,可以聯(lián)系:https://docs.qq.com/doc/DWEtRempVZ1NSZHdQ 4.2.1 顯示相關(guān)系數(shù),并可視化 4.2.2 顯示每個類別的數(shù)量 沒有空值,不用對空值進(jìn)行處理 數(shù)據(jù)集整體數(shù)量:569 訓(xùn)練集集整體數(shù)量:398 測試集整體數(shù)

    2024年02月08日
    瀏覽(23)

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包