ANASTRAJ K / DHARMARAJ S / RAJAPRABHU A
Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Rak piersi jest drugą najczęstszą przyczyną zgonów wśród kobiet i często pozostaje niewykryty aż do osiągnięcia zaawansowanego stadium. Wczesna identyfikacja ma kluczowe znaczenie, ponieważ dokładna klasyfikacja guzów łagodnych i złośliwych może zapobiec niepotrzebnym zabiegom. W niniejszym badaniu przeanalizowano zastosowanie technik uczenia maszynowego w diagnostyce raka piersi przy użyciu zbioru danych Wisconsin Breast Cancer Dataset z repozytorium UCI. Wstępne eksperymenty z klasyfikatorem Naïve Bayes wykazały 88% dokładność w przypadku guzów łagodnych i 86% w przypadku guzów złośliwych. Jednak napotkano pewne ograniczenia, takie jak niska dokładność i problemy z prawdopodobieństwem zerowej częstotliwości. Przejście na sztuczne sieci neuronowe (ANN) poprawiło wyniki do 90% dla klasyfikacji łagodnych i 92% dla złośliwych, ale nadal nie dało optymalnych rezultatów. W badaniach ostatecznie zastosowano techniki maszyn wektorów nośnych (SVM), osiągając najwyższą dokładność wynoszącą 97% dla nowotworów łagodnych i 95% dla nowotworów złośliwych. Metoda ta skutecznie rozróżnia typy nowotworów za pomocą modelu liniowego opartego na hiperpłaszczyznach. Wszystkie algorytmy zostały zaimplementowane przy użyciu narzędzia R, które jest przyjazne dla użytkownika i bezpłatne, ułatwiając przetwarzanie danych do klasyfikacji raka piersi.
