乳腺癌检测研究:机器学习算法在威斯康星诊断数据集上的应用
机器学习
2019-02-08 v4 机器学习
摘要
本文通过比较六种机器学习(ML)算法:GRU-SVM(Agarap, 2017)、线性回归、多层感知机(MLP)、最近邻(NN)搜索、Softmax回归以及支持向量机(SVM),在威斯康星诊断乳腺癌(WDBC)数据集(Wolberg, Street, & Mangasarian, 1992)上衡量其分类测试准确率及灵敏度与特异度值。所述数据集由乳腺肿块细针抽吸(FNA)检测数字化图像计算所得特征构成(Wolberg, Street, & Mangasarian, 1992)。对于ML算法的实现,数据集按如下方式划分:70%用于训练阶段,30%用于测试阶段。所有分类器的超参数均手动指定。结果表明,所有给出的ML算法在分类任务上均表现良好(测试准确率均超过90%)。其中MLP算法在已实现的算法中表现突出,测试准确率达约99.04%。
引用
@article{arxiv.1711.07831,
title = {On Breast Cancer Detection: An Application of Machine Learning Algorithms on the Wisconsin Diagnostic Dataset},
author = {Abien Fred Agarap},
journal= {arXiv preprint arXiv:1711.07831},
year = {2019}
}
备注
5 pages, 5 figures, 2 tables, presented at the International Conference on Machine Learning and Soft Computing (ICMLSC) 2018 in Phu Quoc Island, Viet Nam