实战三十一：基于机器学习的医疗乳腺癌数据的乳腺癌疾病预测
发布时间
阅读量：
阅读量
该项目展示了基于机器学习的医疗乳腺癌数据预测系统，并提供了完整的代码实现及效果演示。视频中详细介绍了数据集的特征工程过程、模型选择及评估方法，并通过多幅图表展示了模型性能的可视化结果。此外还附带了相关代码文件及资源下载链接供进一步学习和参考。
课程视频解析：[利用机器学习技术实现疾病的精准预测，并附带完整的代码与数据集分享] 在B站观看完整课程：[详细解析与实践指导] 学习如何掌握相关技术要点及应用方法
效果演示：
代码：
#第一步！导入我们需要的工具
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn import svm
from sklearn import metrics
import warnings
warnings.filterwarnings('ignore') data.drop("Unnamed: 32",axis=1,inplace=True)
data.drop("id",axis=1,inplace=True)
data.columns features_mean= list(data.columns[1:11])
features_se= list(data.columns[11:20])
features_worst=list(data.columns[21:31])
print(features_mean)
print("-----------------------------------")
print(features_se)
print("------------------------------------")
print(features_worst) data['diagnosis']=data['diagnosis'].map({'M':1,'B':0})
data.describe() corr = data[features_mean].corr()
plt.figure(figsize=(14,14))
sns.heatmap(corr, cbar = True, square = True, annot=True, fmt= '.2f',annot_kws={'size': 15},
xticklabels= features_mean, yticklabels= features_mean,
cmap= 'coolwarm')
（6条消息）
全部评论 (0)
还没有任何评论哟~