《K近邻算法诊断乳腺癌》
本文是乳腺癌和k近邻算法有关论文如何写跟乳腺癌有关论文如何写.
摘 要：随着信息技术的不断发展,医疗大数据的概念也逐渐被人类所熟知.通过对数据挖掘技术在乳腺癌各领域的研究现状（乳腺癌基因研究、乳腺癌早期辅助检查、力学药物靶点识别、乳腺癌新中医治疗方法）的分析,展望数据挖掘技术应用于乳腺癌领域的前景,为数据挖掘技术在乳腺癌疾病的研究提供新思路.
关键词：数据挖掘;乳腺癌
一、前言
乳腺癌已成为当前社会的重大公共卫生问题.全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势.美国8名妇女一生中就会有1人患乳腺癌.中国不是乳腺癌的高发国家,但不宜乐观,近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点.
二、数据源
我们将使用来自UCI的乳腺癌诊断数据集,该乳腺癌数据包括569例乳腺细胞活检样本,每个样本包含32个变量.其中id变量是样本识别ID,diagnosis变量是目标变量（M代表恶性,B代表良性）.其他30个变量都是由10个数字化细胞核的10个不同特征的均值、标准差和最大值构成.这10个基本特征为：
三、数据探索和预处理
.3.1 数据的探索
首先,搜集数据集如下图所示,由于数量问题,只显示其中部分,共计569个样本,32个变量.
将整个数据集导入SPSS软件中.
第一个变量为ID,无法为实际的模型构建提供有用的信息,所以需要将其删除.diagnosis变量是我们的目标变量,我们首先统计一下其取值分布.观察在我们的数据集中,恶性（M）和良性样本（B）的分布情况.在正式建模之前需要将其进行整数编码,将良性（B）编码为0,将恶性（M）编码为1.
通过统计我们的569个样本中,良性样本（B）和阴性样本分别有212个,占比分别为62.7%和37.3%.其中作为示例,我们主要选取所有变量中的三个：radius_mean,area_mean和oothness_mean.
通过SPSS软件生成图形对三个变量进行分析：观察这三个变量的统计信息,发现它们的取值范围不大一致.radius_mean取值范围为6.981～28.110,area_mean取值范围为143.5～2501.0,oothness_mean取值范圍为0.05263～0.16340.不同变量的测量尺度不一致会影响K近邻算法中的样本距离计算.例如,如果上述三个变量直接参与距离计算,则area_mean变量将会对距离计算影响最大,从而会导致我们构建的分类模型过分依赖于area_mean变量.在应用K近邻等涉及距离计算的算法构建预测模型之前,需要对变量取值进行标准化.常见的标准化方法有min-max标准化和Z-score标准化等.
3.2数据的标准化：
为了将自变量进行min-max标准化,使用min_max_normalize函数.该函数输入为数值型向量x,对于x中的每一个取值,减去x的最小值,再除以x中数值的取值范围.结果如下可见所有的变量都已经正确地标准化到0和1之间：
四、模型性能提升
4.1 测试不同k取值对模型效果的影响
我们将分别测试 k 等于 1,5,9,11时模型的效果.由于模型整体预测准确率已经很高.我们通过观察假阴性（False Negative）和假阳性（False Positive）的数目和正确率（Accuracy）来对比不同k取值下模型的效果.
可见,当 k 等于 5 时,假阳性数量最少,且假阴性数量仅为1,正确率达到最高.当然,这也只是在171个测试样本上的结果.
参考文献
[1]MOURADC,LOPEZMA G.An evaluation of imagedescriptors combined with clinical data for breast cancer diagnosis [J].Intemational Joumal of computer Assisted Radiology and Surgery,2013,8（4）：561-57.
[2]张旭东,孙圣力,王洪超.基于数据挖掘的触诊成像乳腺癌智能诊断模型和方法[J].大数据,2019,5（01）：68-76.
[3]侯公楷.中医药防治乳腺癌进展[J].辽宁中医药大学学报,2016,18（05）：249-253.
（作者单位：河北大学 生命科学学院）
总结,这是大学硕士与乳腺癌和k近邻算法本科乳腺癌和k近邻算法毕业论文开题报告范文和相关优秀学术职称论文参考文献资料，关于免费教你怎么写乳腺癌方面论文范文.
乳腺癌和k近邻算法引用文献:
[1] 乳腺癌和k近邻算法论文例文 关于乳腺癌和k近邻算法相关大学毕业论文范文2万字
[2] 随机森林和k近邻算法论文写作参考范文 随机森林和k近邻算法方面毕业论文怎么写8000字
[3] 优秀计算机算法分析论文题目 计算机算法分析论文标题怎么定
