说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

在当今医疗健康领域，乳腺癌作为威胁女性健康的主要恶性肿瘤之一，其早期诊断与精准治疗对于提高患者生存率至关重要。随着医学信息学与人工智能技术的飞速发展，利用大数据分析、机器学习以及深度学习等先进手段构建乳腺癌分类预测模型，已成为研究热点和临床实践的重要方向。

近年来，全球乳腺癌发病率持续上升，成为全球范围内女性癌症发病率最高的疾病之一。尽管乳腺癌在早期发现时治疗效果较为理想，但传统的诊断方法如钼靶摄影、超声检查及组织活检等存在一定的局限性，如误诊率、漏诊率问题以及对患者造成的身体与心理负担。因此，开发高效、准确且便捷的乳腺癌分类预测模型，不仅能够提高诊断效率，还能促进个性化医疗方案的制定，为患者带来更为及时有效的干预措施。

研究意义：

提升早期诊断率：通过分析乳腺影像学、生物标志物、遗传学及临床数据，构建的预测模型能够有效识别乳腺癌早期迹象，为患者争取宝贵的治疗时间。

个性化医疗策略：结合患者的个体差异，预测模型能辅助医生定制化治疗方案，实现精准医疗。

资源优化配置：高效预测模型可减少不必要的检查和治疗，优化医疗资源分配，减轻公共卫生系统的负担。

促进科研进展：模型的开发与验证过程能够深化对乳腺癌生物学机制的理解，推动相关基础研究与技术创新。

基于以上背景，本研究拟采用先进的机器学习算法，结合丰富的乳腺癌临床数据集，构建一个高度准确且具有临床实用价值的乳腺癌分类预测模型。最终目标是为乳腺癌的早期筛查与精准管理提供科学依据，进而改善患者预后，提升公众健康水平。 

本项目通过逻辑回归分类模型、决策树分类模型、随机森林分类模型和XGBoost分类模型实现乳腺癌分类预测。     

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	mean radius	平均半径：肿瘤区域的平均边界距离中心的距离
2	mean texture	平均纹理：肿瘤区域灰度变化的程度
3	mean perimeter	平均周长：肿瘤区域的边界长度
4	mean area	平均面积：肿瘤区域所占的总面积
5	mean smoothness	平均平滑度：轮廓的光滑程度
6	mean compactness	平均紧密度：形状接近球形的程度
7	mean concavity	平均凹度：轮廓凹进去的程度
8	mean concave points	平均凹点数：轮廓凹陷部分的尖点数量
9	mean symmetry	平均对称性：肿瘤区域相对于中心的对称程度
10	mean fractal dimension	平均分形维数：描述肿瘤边缘复杂性的度量
11	radius error	半径误差：半径测量的不确定性
12	texture error	纹理误差：纹理测量的不确定性
13	perimeter error	周长误差：周长测量的不确定性
14	area error	面积误差：面积测量的不确定性
15	smoothness error	平滑度误差：平滑度测量的不确定性
16	compactness error	紧密度误差：紧密度测量的不确定性
17	concavity error	凹度误差：凹度测量的不确定性
18	concave points error	凹点数误差：凹点数测量的不确定性
19	symmetry error	对称性误差：对称性测量的不确定性
20	fractal dimension error	分形维数误差：分形维数测量的不确定性
21	worst radius	最差半径：最不理想的半径测量值
22	worst texture	最差纹理：最不理想的纹理测量值
23	worst perimeter	最差周长：最不理想的周长测量值
24	worst area	最差面积：最不理想的面积测量值
25	worst smoothness	最差平滑度：最不理想的平滑度测量值
26	worst compactness	最差紧密度：最不理想的紧密度测量值
27	worst concavity	最差凹度：最不理想的凹度测量值
28	worst concave points	最差凹点数：最不理想的凹点数测量值
29	worst symmetry	最差对称性：最不理想的对称性测量值
30	worst fractal dimension	最差分形维数：最不理想的分形维数测量值
31	label	1良性，0恶性

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据： 

关键代码：

3.2数据缺失查看

使用Pandas工具的info()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： 

3.3数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：  

4.探索性数据分析

4.1 label变量柱状图

用Matplotlib工具的plot()方法绘制柱状图：

4.2 label=1样本mean radius变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

4.3 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 数据均衡化

通过上图可以看到，数据均衡化后，标签两种样本的数量一致。

5.3 数据集拆分

通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：

6.构建分类模型 

主要使用逻辑回归分类算法、决策树分类算法、随机森林分类算法和XGBoost分类算法，用于目标分类。  

6.1 构建模型 

编号	模型名称	参数
1	逻辑回归分类模型	默认参数值
2	决策树分类模型	默认参数值
3		random_state=123
4	随机森林分类模型	默认参数值
5		random_state=42
6	XGBoost分类模型	默认参数值
7		random_state=42

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
逻辑回归分类模型	准确率	0.9720
	查准率	0.9452
	查全率	1.0
	F1分值	0.9718
决策树分类模型	准确率	0.9441
	查准率	0.9296
	查全率	0.9565
	F1分值	0.9429
随机森林分类模型	准确率	0.9650
	查准率	0.9706
	查全率	0.9565
	F1分值	0.9635
XGBoost分类模型	准确率	0.9650
	查准率	0.9706
	查全率	0.9565
	F1分值	0.9635

从上表可以看出，4个模型的F1分值都在0.9以上，说明这模型效果较好，其中逻辑回归模型F1最高为0.9718。     

7.2 分类报告

逻辑回归分类模型：

从上图可以看出，分类为0的F1分值为0.97；分类为1的F1分值为0.97。

  

决策树分类模型：

从上图可以看出，分类为0的F1分值为0.95；分类为1的F1分值为0.94。

随机森林分类模型：

从上图可以看出，分类为0的F1分值为0.97；分类为1的F1分值为0.96。

XGBoost分类模型：

从上图可以看出，分类为0的F1分值为0.97；分类为1的F1分值为0.96。

7.3 混淆矩阵

逻辑回归分类模型：

从上图可以看出，实际为0预测不为0的 有4个样本；实际为1预测不为1的 有0个样本。  

决策树分类模型：

从上图可以看出，实际为0预测不为0的 有5个样本；实际为1预测不为1的 有3个样本。  

随机森林分类模型：

从上图可以看出，实际为0预测不为0的 有2个样本；实际为1预测不为1的 有3个样本。

XGBoost分类模型：

从上图可以看出，实际为0预测不为0的 有2个样本；实际为1预测不为1的 有3个样本。

7.4 ROC曲线

逻辑回归分类模型：

从上图可以看出，逻辑回归分类模型的AUC值为1.0。

决策树分类模型：

从上图可以看出，决策树分类模型的AUC值为0.94。

随机森林分类模型：

从上图可以看出，随机森林分类模型的AUC值为0.99。

XGBoost分类模型：

从上图可以看出，XGBoost分类模型的AUC值为1.0。

8.结论与展望

综上所述，本文采用了逻辑回归、决策树、随机森林和XGBoost算法来构建分类模型，最终证明了4种模型效果良好，其中逻辑回归模型效果最优。此模型可用于日常产品的预测。 

# 本次机器学习项目实战所需的资料，项目资源如下：# 项目说明：# 获取方式一：# 项目实战合集导航：https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2# 获取方式二：链接：https://pan.baidu.com/s/1vzkHRkRNmilTAg0TrlxgBw 
提取码：z9v4