一、问题描述
机器学习和深度学习技术在医疗保健领域中的应用正在稳步增长。如果你想练习并了解使用此类数据的效果，这个数据集是一个不错的选择。数据来自美国Wisconsin/威斯康星州的乳腺癌诊断数据集。乳腺癌数据这是肿瘤研究所提供的三个领域之一，这些领域反复出现在机器学习文献中。医疗人员采集了患者乳腺肿块经过细针穿刺 (FNA) 后的数字化图像，并且对这些数字图像进行了特征提取，这些特征可以描述图像中的细胞核呈现。肿瘤可以分成良性和恶性。这个医疗保健数据集适合练习分类和随机森林、SVM 等算法。
二、数据集内容
该数据集由 569 个样本组成，其中包括 357 个良性样本和 212 个恶性样本。这个数据集中有三类特征，其中实值特征最有趣。它们是从数字化图像中计算出来的，包含有关区域、细胞半径、纹理等信息。时间跨度为截至1988-07-11。
数据结构
ID: number
diagnosis: 乳腺组织的诊断（M = 恶性，B = 良性）/ The diagnosis of breast tissues (M = malignant, B = benign)
radius_mean: 从中心到周边点距离的平均值/mean of distances from center to points on the perimeter:
texture_mean: 灰度值的标准差/standard deviation of gray-scale values
perimeter_mean: 核心肿瘤的平均大小/mean size of the core tumor
area_mean:
smoothness_mean: 平滑度平均值/mean of local variation in radius lengths
compactness_mean: 周长^2 / 面积 - 1.0 的平均值/ mean of perimeter^2 / area - 1.0
concavity_mean: 轮廓凹陷部分的严重程度的平均值/mean of severity of concave portions of the contour:
concave points_mean: 轮廓凹陷部分数量的平均值/mean for number of concave portions of the contour
symmetry_mean: 平滑度平均值
fractal_dimension_mean: “海岸线近似” - 1 的平均值/mean for "coastline approximation" - 1
radius_se: 从中心到周边点距离的平均值的标准误差/standard error for the mean of distances from center to points on the perimeter
texture_se: 灰度值的标准差的标准误差/standard error for standard deviation of gray-scale values
perimeter_searea_se
smoothness_se: 半径长度局部变化的标准误差/standard error for local variation in radius lengths
compactness_se: 周长^2 / 面积 - 1.0 的标准误差/standard error for perimeter^2 / area - 1.0
concavity_se: 轮廓凹陷部分的严重程度的标准误差/standard error for severity of concave portions of the contour
concave:
points_se: 轮廓凹陷部分数量的标准误差/standard error for number of concave portions of the contour
symmetry_se:
fractal_dimension_se: “海岸线近似” - 1 的标准误差/ standard error for "coastline approximation" - 1
radius_worst: “最差”或最大的从中心到周边点距离的平均值 / "worst" or largest mean value for mean of distances from center to points on the perimeter
texture_worst: “最差”或最大的灰度值的标准差 / "worst" or largest mean value for standard deviation of gray-scale values
perimeter_worst:
area_worst
smoothness_worst: “最差”或最大的半径长度局部变化的平均值 / "worst" or largest mean value for local variation in radius lengths
compactness_worst: “最差”或最大的周长^2 / 面积 - 1.0 的平均值 / "worst" or largest mean value for perimeter^2 / area - 1.0
concavity_worst: “最差”或最大的轮廓凹陷部分的严“最差”或最大的周长^2 / 面积 - 1.0 的平均值 / 重程度的平均值/"worst" or largest mean value for severity of concave portions of the contour
concave
points_worst：“最差”或最大的轮廓凹陷部分数量的平均值/"worst" or largest mean value for number of concave portions of the contour
symmetry_worst：
fractal_dimension_worst：“海岸线近似” - 1 的“最差”或最大值/"worst" or largest mean value for "coastline approximation" - 1数据样例
| id | 842302 |
|---|---|
| diagnosis | M |
| radius_mean | 17.99 |
| texture_mean | 10.38 |
| perimeter_mean | 122.8 |
| area_mean | 1001 |
| smoothness_mean | 0.1184 |
| compactness_mean | 0.2776 |
| concavity_mean | 0.3001 |
| concave points_mean | 0.1471 |
| symmetry_mean | 0.2419 |
| fractal_dimension_mean | 0.07871 |
| radius_se | 1.095 |
| texture_se | 0.9053 |
| perimeter_se | 8.589 |
| area_se | 153.4 |
| smoothness_se | 0.006399 |
| compactness_se | 0.04904 |
| concavity_se | 0.05373 |
| concave points_se | 0.01587 |
| symmetry_se | 0.03003 |
| fractal_dimension_se | 0.006193 |
| radius_worst | 25.38 |
| texture_worst | 17.33 |
| perimeter_worst | 184.6 |
| area_worst | 2019 |
| smoothness_worst | 0.1622 |
| compactness_worst | 0.6656 |
| concavity_worst | 0.7119 |
| concave points_worst | 0.2654 |
| symmetry_worst | 0.4601 |
| fractal_dimension_worst | 0.1189 |
数据来源
Matjaz Zwitter & Milan Soklic (physicians)
Institute of Oncology
University Medical Center
Ljubljana, Yugoslavia数据集使用许可协议
三、机器学习算法
安装
安装后的开发包版本信息：
python 3.12.7 h14ffc60_0 anaconda
numpy 1.26.4 py312hfd52020_0 anaconda
scipy 1.13.1 py312hbb039d4_0 anaconda
pandas 2.2.2 py312h0158946_0 anaconda
scikit-learn 1.5.1 py312h0158946_0 anaconda
matplotlib 3.9.2 py312haa95532_0 anaconda
seaborn 0.13.2 py312haa95532_0 anaconda
statsmodels 0.14.2 py312h4b0e54e_0 anaconda总结
- 使用这30个组织学肿瘤特征，乳腺癌诊断可以预测大约95%的准确率。
- 表现最好的机器学习算法包括线性模型：逻辑回归和线性判别分析，以及两种集成算法：随机森林和集成投票分类器。
- 使用递归特征消除和交叉验证（以逻辑回归作为分类器）发现的最具预测性的特征是：平均纹理、周长和面积，以及最差纹理、周长和面积。
- 使用随机森林分类的最具预测性的特征是：平均纹理周长和面积、分形维数，以及最差面积周长。