Analyse des données et modélisation des données du cancer du sein

Description Projet

Petite première expérience avec du Machine Learning, on commence doucement avec des données du cancer Wisconsin ... Tout d'abord, j'ai exploré les données, identifié les corrélations entre les différentes variables du dataset puis j'ai essayé de faire des prédictions en utilisant des modèles d'apprentissages.

Comparaison régression logisitique (Logistic regression) et modèle d'arbres de décision (Decision Tree Classifier)

Les résultats trouvés dans modeling.ipynb prouvent que la technique DecisionTreeClassifier est meilleure que la modélisation en régression linéaire en termes de prédictions mais aussi en termes de précision. On a 92 % de précision pour le DecisionTreeClassifier et 90% pour la régression linéaire.

Le score recupéré à partir de la matrice de confusion (confusion matrix) de DecisioonTreeClassifier est aussi supérieur à celui de la régression linéaire.

Données Diagnostic de cancer Wisconsin (WDBC)

Sources : Dr. William H. Wolberg, General Surgery Dept., University of Wisconsin, Clinical Sciences Center, Madison, WI 53792, wolberg@eagle.surgery.wisc.eduW. Nick Street, Computer Sciences Dept., University of Wisconsin, 1210 West Dayton St., Madison, WI 53706, street@cs.wisc.edu 608-262-6619Olvi L. Mangasarian, Computer Sciences Dept., University of Wisconsin, 1210 West Dayton St., Madison, WI 53706, olvi@cs.wisc.edu Date: Novembre 1995

Description :

Caractéristiques sont calculées à partir d'une image numérisée d'une aiguille fine d’aspiration (FNA) d'une masse au sein. Elles décrivent les caractéristiques des noyaux de cellules présentes dans l'image .

• Champ de prédiction 2 , diagnostic: B = bénigne , M = maligne
• Ensembles sont linéairement séparables en utilisant les 30 caractéristiques d'entrée
• Une meilleure précision prédictive obtenue en utilisant un plan de séparation dans l'espace 3D. Précision estimée à 97,5 % en utilisant la Crossvalidation 10 fois.

Les résultats décrits ci-dessus ont été obtenus en utilisant la Multisurface Method-Tree (MSM-T) [K. P. Bennett, "Decision Tree Construction Via Linear Programming." Proceedings of the 4th Midwest Artificial Intelligence and Cognitive Science Society, pp. 97-101, 1992], une méthode de classification qui utilise la programmation linéaire pour la construction d'un arbre de décision. Les caractéristiques pertinentes ont été sélectionnées en utilisant une recherche exhaustive dans l'espace de 1-4 caractéristiques et 1-3 plans de séparation. Le programme linéaire utilisé pour obtenir le plan de séparation dans l'espace à 3 dimensions est celui décrit dans : [K. P. Bennett and O. L. Mangasarian: "Robust Linear Programming Discrimination of Two Linearly Inseparable Sets", Optimization Methods and Software 1, 1992, 23-34]. Nombre de cas : 569 Nombre d'attributs : 32 (ID, le diagnostic , 30 fonctions à valeurs réelles ) Information sur les attributs :

1. le numéro d'identification
2. Diagnostic ( M = maligne , B = bénigne )
3. Dix fonctions à valeurs réelles sont calculées pour chaque noyau de la cellule :

- rayon (moyenne des distances de centre aux points sur le périmètre)
- la texture (écart-type des valeurs de gris)
- la texture (écart-type des valeurs de gris)
- le périmètre
- zone
- la douceur (variation locale de longueurs de rayon)
- la compacité (périmètre ^ 2 / zone - 1.0)
- concavité (gravité des portions concaves du contour) des points (nombre de parties concaves
du contour)
- concaves
- la symétrie
- la dimension fractale (« approximation du littoral " - 1 )

Plusieurs des documents mentionnés ci-dessus contiennent des descriptions détaillées sur comment ces caractéristiques sont calculées. Distribution de classe : 357 bénigne, maligne 212.