https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic) Breast Cancer Wisconsin (Diagnostic) Data Set

社会上的主要疾病是全世界女性的乳腺癌，其中27％的女性患有癌症。 机器学习分类器适合医师以低成本和时间进行完美诊断。 分类器的比较性能分析需要获得准确的诊断，因为医学数据由本质上嘈杂的高维数据组成。 在这项研究中，将不同的分类器机器学习技术应用于乳腺癌数据集。 印度的癌症发生率在30年代初有所增加，但在50-64岁时达到最高点。 根据NICPR报告，在28名妇女中，有一名妇女患了乳腺癌。 但是这种比例将改变城市人口，其中22名妇女中有1名妇女受到影响。 在农村，该比例增加到每60名妇女中增加1名？ 通过早期诊断和治疗可以提高患者的治愈率，这可以延长他们的寿命。 在这里，我们已经建立了一个模型来识别癌细胞是良性还是恶性的。 我们使用了机器学习技术分类器。 在这里，我们必须确定一种在不同的手术条件和数据集下预测疾病的合适技术。 结果分析表明，SVM被认为是识别不同性能矩阵（例如灵敏度，准确性，误差和特异性）的合适选择。

cancer_dataset

癌症是导致人类死亡的众所周知的疾病，乳腺癌（BC）是女性诊断出的癌症之一。 一生中大约有八名女性被诊断出患有BC。 如果尽早诊断出BC，可以很容易地进行治疗。 这项研究的方法是通过不同的机器学习（ML）技术来识别患有BC或不患有BC的患者。 在这项研究中，威斯康星州诊断性乳腺癌（WDBC）数据集将通过支持向量机（SVM），k最近邻（k-NN），朴素贝叶斯（NB），决策树（DT）和逻辑回归（LR）进行分类）。 分类之前有一个预处理阶段，其中五个不同的分类器应用了5倍交叉验证方法。 分类性能是通过使用混淆量度通过性能测量参数（即准确性，敏感性和特异性）来测量的。 在这项研究中，SVM在归一化过程后发现的最佳性能为99.12％的精度。

本资料包括实验要求文档，报告文档，训练及测试数据，matlab源代码。就给定问题，利用SVM来进行分类。SVM包括hardmargin的线性和非线性内核，softmargin的线性和非线性内核分别来分类以及评估分类准确度-a MATLAB (M-file) program to compute the discriminant functiong for the following SVMs, using the training set provided：A hard-margin SVM with the linear kernel, A hard-margin SVM with a polynomial kernel, A soft-margin SVM with a polynomial kernel as given above

Breast cancer survival.sav 统计分析及模型构建中常用的数据集、使用数据集可以对模型和算法进行快速验证，而且如果能够得到经典测试数据有助于我们复现大佬（巨佬）们提供的算法模型、达到实战联系的目的、真正从原理上开启数据分析、而不是纸上谈兵； 纽约时报的一篇文章报道，数据科学家在挖掘出有价值的“金块”之前要花费50%到80%的时间在很多诸如收集数据和准备不规则的数据的普通任务上。混乱的数据是数据科学家工作流中典型的比较耗费时间的。 常用的数据集可以帮助我们快速实验模型算法，因为他们都是被处理过的优质数据；

变分模态划分matlab代码泛癌 这些代码旨在提取形状描述符和区域变化特征。 如果您正在使用代码，请引用以下论文和代码 DOI： 吴等人。 跨成像模式和组织学的放射肿瘤分类，自然机器智能，2021 年。 “matlab”文件夹包含形状特征代码，“python”文件夹包含区域变化特征代码 matlab 文件夹包含以下项目： main.m：这是提取形状特征的主要功能，请按照说明提取形状特征 功能：此文件夹包含两个已使用的定义函数 --checkBIM.m：检查表面点云的质量 --spharm_coeff.m：从球谐分解中提取二阶整形器特征 Process_data：这个文件夹保存了输入数据，我们提供了一个例子“Decathlon” SPHARM_output：此文件夹保存输出数据，其中每个子文件夹对应一个步骤 third_party_package：这个文件夹包含了沉力博士组提供的SPHARM函数() SPHARM-MAT.pdf：此文件包含 SPHARM 功能的详细信息 python文件夹包含以下项目： main.py：这是提取区域变异特征的主要功能，请按照里面的说明进行操作。 util

用于从UCI的Breast Cancer Wisconsin数据集中读取数据并存为array的小程序

随机森林图像matlab代码使用CNN的肺癌亚型分类 入门 演示版 random_forest.ipynb 包含什么 癌症亚型分类管道的Python源代码 MATLAB源代码，用于从3D原始图像生成2D联合直方图 二维关节直方图（.csv）的肺癌数据集 可视化每一步的检测管线 在自己的数据集上进行训练的示例 依存关系 Python 3.4 TensorFlow 1.3 凯拉斯2.0.8 用法 结果 接触 查看我的学士论文：基于多模态CT的2D联合直方图的肺癌亚型深度学习分类器，以获取有关此工作的更多详细信息。

使用Python检测肺癌 数据集 癌症影像档案库（TCIA） 代码文件 代码以模块化方式编写 PredictCancer.py：用于测试图像的最终程序 NeuralNetwork.py：使用SKlearn的MLP学习功能并使用pickle保存权重 LungCancerTrain.py：所有用于模型训练的图像处理技术和代码均在此处编写 Dataset_create.py：用于创建正例和负例的文件夹并以所需格式命名图像 两种类别的测试用例图像，并连同其终端输出一起添加到存储库中，以供参考 依存关系 Python3，OpenCV-cv2，泡菜，数据文件库 输出 正面案例 否定情况 这项工作是与我的朋友Tarun Bhargav Sriram合作完成的，该项目是数字图像处理选修课的一个项目。 有关项目的任何疑问，请联系