A M GUMEL / A N ADAM / I Z WAZIRI
Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Niniejsza książka przedstawia rozwój i optymalizację modelu Random Forest (RF) do klasyfikacji raka piersi jako łagodnego lub złośliwego przy użyciu zestawu danych Wisconsin Breast Cancer Dataset. Po wstępnym przetworzeniu 569 próbek (357 łagodnych, 212 złośliwych), domyślny model RF osiągnął dokładność 95,61%. Aby poprawić wyniki, zastosowano dostrajanie hiperparametrów za pomocą wyszukiwania siatki, dostosowując parametry, takie jak liczba drzew (150), maksymalna głębokość (brak), minimalny podział próbek (2), minimalny liść próbek (1) i losowe nasiona (123). Zoptymalizowany model RF osiągnął 99,12% dokładności, precyzji, przywołania i wyniku F1, przewyższając inne metody, takie jak SVM, XGBoost i wcześniejsze implementacje RF. Wyniki pokazują zmniejszoną liczbę fałszywych negatywów i brak fałszywych pozytywów, co wskazuje na wysoką czułość i specyficzność. Praca podkreśla wartość skrupulatnego dostrajania hiperparametrów w medycznych zastosowaniach sztucznej inteligencji i sugeruje przyszłą integrację z sieciami neuronowymi i modelami hybrydowymi w celu zwiększenia wydajności w klinicznej diagnostyce raka piersi.