基于粒子群优化和决策树的乳腺癌检测研究
1. 研究背景与目标
在机器学习领域,利用算法进行疾病检测是一个重要的研究方向,尤其是在乳腺癌检测方面。传统的机器学习算法在处理复杂的医学数据时,可能存在一些局限性,因此需要提出新的改进方法。本研究旨在提出一种增强的PSO - 决策树模型,以提高乳腺癌检测的准确性。
2. 数据与方法
2.1 数据集描述
数据集来源于UCI机器学习库,包含699个病例,分为良性和恶性两类。其中458个实例(占65.50%)为良性,241个实例(占34.50%)为恶性。数据集的类别分为2和4两种情况,4对应恶性病例,2对应良性病例。数据集的属性如下表所示:
| S/N | 属性 | 描述 | 范围 |
| — | — | — | — |
| 1 | 类别 | 肿瘤类型指示 | 2(良性),4(恶性) |
| 2 | 团块厚度 | 癌细胞常见多层结构,良性细胞常见单层结构 | 1 - 10 |
| 3 | 细胞大小均匀性 | 癌细胞大小和形状多样 | 1 - 10 |
| 4 | 细胞形状均匀性 | 癌细胞大小和形状多样 | 1 - 10 |
| 5 | 边缘粘连 | 正常细胞倾向于结合,而恶性细胞则不 | 1 - 10 |
| 6 | 单个上皮细胞大小 | 增大的上皮细胞可能是癌细胞 | 1 - 10 |
| 7 | 裸核 | 良性肿瘤的细胞核通常不与细胞其他部分结合 | 1 - 10 |
| 8 | 淡染色质 | 良性细胞的细胞核质量 | 1 - 10 |
| 9 | 正常细胞核 | 正常细胞的细胞核是一个几乎看不见的微小
超级会员免费看
订阅专栏 解锁全文

44

被折叠的 条评论
为什么被折叠?



