乳腺癌分类 问题陈述 根据多种观察/特征预测癌症诊断是良性还是恶性 使用了30个功能，例如： -半径（从中心到周长上的点的距离的平均值） -纹理（灰度值的标准偏差） - 周长- 区域-平滑度（半径长度的局部变化） -紧凑度（周长^ 2 /面积-1.0） -凹度（轮廓凹部的严重程度） -凹点（轮廓上凹部分的数量） -对称-分形维数（“海岸线近似值” -1） 数据集可使用所有30种输入功能进行线性分离 实例数：569 等级分配：212恶性，357良性 目标类别： -恶性-良性 数据集 链接：

乳腺癌分类 使用支持向量机的乳腺癌诊断分类 客观的： 知识库是一项学习练习，旨在： 从可用数据集中应用机器学习的基本概念 根据观察到的数据集评估和解释我的结果并证明我的解释是正确的 创建笔记本作为计算记录并记录我的思考过程。 分析分为多个部分，保存在该存储库的juypter笔记本中识别问题和数据源探索性数据分析预处理数据构建模型以预测乳房细胞组织是恶性还是良性 达到的精度-97％

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