良恶性乳腺癌肿瘤预测

代码如下:


# coding: utf-8

# In[ ]:


import pandas as pd


# In[2]:


df_train = pd.read_csv('../Datasets/Breast-Cancer/breast-cancer-train.csv')

df_test = pd.read_csv('../Datasets/Breast-Cancer/breast-cancer-test.csv')


# In[3]:


df_test_negative = df_test.loc[df_test['Type'] == 0][['Clump Thickness', 'Cell Size']]
df_test_positive = df_test.loc[df_test['Type'] == 1][['Clump Thickness', 'Cell Size']]


# In[4]:


import matplotlib.pyplot as plt

plt.scatter(df_test_negative['Clump Thickness'],df_test_negative['Cell Size'], marker = 'o', s=200, c='red')
plt.scatter(df_test_positive['Clump Thickness'],df_test_positive['Cell Size'], marker = 'x', s=150, c='black')

plt.xlabel('Clump Thickness')
plt.ylabel(<
  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
梯度下降模型(SGD)是一种常用的机器学习算法,可用于解决分类问题。恶性乳腺癌肿瘤测试数据分布,也可以通过SGD模型进行分析。 在恶性乳腺癌肿瘤测试数据中,通常会包括一些特征,如肿块的大小、形状、表面光滑度、边缘性、密度等。而标签则表示肿瘤性或恶性。 使用SGD模型进行分析时,首先需要对数据进行预处理,如标准化、归一化等。然后将数据集分为训练集和测试集,通常是将数据集的80%作为训练集,20%作为测试集。 接下来,使用SGD模型对训练集进行训练。SGD模型的目标是通过不断调整模型参数,使其能够最小化损失函数。在每一次迭代中,SGD模型会根据当前参数对样本进行预测,并计算预测值与真实值之间的差异。然后通过计算梯度,即偏导数,来更新模型参数。这个过程将不断重复,直到达到指定的迭代次数或收敛条件。 在训练完成后,可以使用SGD模型对测试集进行预测,进而评估模型的性能。可以计算预测准确率、精确率、召回率等指标,以评估模型的分类效果。 最后,可以通过可视化的方式,将SGD模型预测的结果以散点图或决策边界的形式展示出来,以便更好地理解数据的分布特征和分类结果。 总之,使用SGD模型可以对乳腺癌肿瘤测试数据进行分析,帮助识别肿块的恶性,并评估模型的分类性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值