宁波医院网站建设厦门网

说明：这是一个机器学习实战项目（附带数据+代码+文档），如需数据+代码+文档可以直接到文章最后关注获取 或者私信获取。

1.项目背景

乳腺癌是全球女性中最常见的癌症之一，早期诊断对于提高治愈率和生存率至关重要。传统的诊断方法依赖于医生的经验和病理分析，这不仅耗时而且容易受到主观因素的影响。随着机器学习技术的发展，利用支持向量机（SVM）等算法进行医学影像和数据的自动分类与预测成为可能。本项目旨在基于MATLAB平台开发一种高效、准确的乳腺癌分类方法，通过应用SVM算法对乳腺癌相关数据集进行训练和测试，实现对乳腺癌的有效识别与分类。该系统不仅可以辅助医生进行更快速、准确的诊断，还能为个性化治疗方案提供参考依据，从而提升医疗效率和患者满意度。此外，本项目还将探讨不同特征选择方法对模型性能的影响，以期找到最优的乳腺癌分类策略。

本项目实现了基于MATLAB的SVM支持向量机的乳腺癌分类方法应用。            

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	radius1	半径的平均值
2	texture1	纹理的平均值
3	perimeter1	周长的平均值
4	area1	面积的平均值
5	smoothness1	平滑度的平均值
6	compactness1	紧致度的平均值
7	concavity1	凹度的平均值
8	concave_points1	凹点数量的平均值
9	symmetry1	对称性的平均值
10	fractal_dimension1	分维数的平均值
11	radius2	半径的标准误差
12	texture2	纹理的标准误差
13	perimeter2	周长的标准误差
14	area2	面积的标准误差
15	smoothness2	平滑度的标准误差
16	compactness2	紧致度的标准误差
17	concavity2	凹度的标准误差
18	concave_points2	凹点数量的标准误差
19	symmetry2	对称性的标准误差
20	fractal_dimension2	分维数的标准误差
21	radius3	半径的最大三个值的平均
22	texture3	纹理的最大三个值的平均
23	perimeter3	周长的最大三个值的平均
24	area3	面积的最大三个值的平均
25	smoothness3	平滑度的最大三个值的平均
26	compactness3	紧致度的最大三个值的平均
27	concavity3	凹度的最大三个值的平均
28	concave_points3	凹点数量的最大三个值的平均
29	symmetry3	对称性的最大三个值的平均
30	fractal_dimension3	分维数的最大三个值的平均
31	y	肿块是良性（0）还是恶性（1）

数据详情如下(部分展示)：

3.数据预处理

3.1 查看数据

使用head()方法查看前五行数据：

关键代码：

3.2数据缺失查看与描述统计

使用summary()方法查看数据信息： 

从上图可以看到，总共有31个变量，数据中无缺失值，共569条数据。

关键代码：

4.探索性数据分析

4.1 因变量柱状图

用bar()方法绘制柱状图：

4.2 y=1样本radius1变量分布直方图

用histogram()方法绘制直方图：

4.3 相关性分析

部分数据变量的相关性分析：从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立特征数据和标签数据

关键代码如下：

5.2 数据集拆分

按照80%训练集、20%验证集进行划分，关键代码如下：

6.构建SVM分类模型 

主要实现了基于MATLAB的SVM支持向量机的乳腺癌分类方法应用。           

6.1 构建模型

构建分类模型。 

模型名称	模型参数
SVM分类模型	'KernelFunction', 'linear'
	'Standardize', true
	'ClassNames', [0, 1]

6.2 交叉验证优化参数

关键代码：

7.模型评估

7.1评估指标及结果  

评估指标主要包括准确率、查准率、查全率、F1分值等等。 

模型名称	指标名称	指标值
测试集
SVM分类模型	准确率	0.9735
	查准率	1.0000
	查全率	0.9286
	F1分值	0.9630

从上表可以看出，F1分值为0.9630，说明模型效果良好。               

关键代码如下：    

7.2 混淆矩阵

从上图可以看出，实际为0预测不为0的 有0个样本，实际为1预测不为1的 有3个样本，模型效果良好。   

8.结论与展望

综上所述，本项目实现了基于MATLAB的SVM支持向量机的乳腺癌分类方法应用，最终证明了我们提出的模型效果良好。此模型可用于日常产品的建模工作。