UCI机器学习数据集，Breast Cancer Wisconsin (Diagnostic) Data Set，已整理，有Excel格式文件

图像矩阵matlab代码Breast_cancer_detection 使用预训练模型对图像进行分类以检测癌细胞 前提条件： Python2.7 MATLAB（LIBSVM） 脾气暴躁的，西皮，斯克莱恩 Tensorflow 1.0 Tflearn BreakHis的数据集位于：Davi Frossard的网页上正在使用VGG-16权重：这是他的干净入门教程： 我们尝试预先训练的网络和分类与从头开始的训练。 方法1：使用预先训练的VGG-16来获取功能。 运行vgg16_cv.py以从BreakHis数据集的每个图像中提取特征。 它将为每个图像在同一文件夹中创建一个功能文件 运行generate_features.py将所有单个要素文件组合为一个要素矩阵（mat文件）。 它还会创建一个单独的目标Mat文件。 运行CV_balancing_code.m处理数据不平衡。 它输出4个文件：训练数据，训练数据目标，测试数据和测试数据目标 使用classifier_code.m和RandomForest_CV.m使用线性SVM，多项式SVM和随机森林对数据进行分类。 方法2：运行alexnet.

Breast_Cancer_Classification 利用逻辑回归和神经网络模型基于数字化活检图像将乳腺癌肿瘤分类为恶性或良性

在 breast_cancer_wisconsin_data_set数据集上使用贝叶斯算法，对是目标否患乳腺癌进行预测分类。

matlab计算隶属度代码KNN算法检测乳腺癌 K-最近邻分类 k-最近邻域 (KNN) 算法是一种易于实现的监督学习算法。 它用于解决分类和回归问题，在工业中用于解决工业中的分类问题。 在模式识别中，K-最近邻算法（K-NN）是一种用于分类和回归的非参数方法。 在这两种情况下，输入都由特征空间中的 K 个最接近的训练示例组成。 K-NN 是一种基于实例的学习。 在 K-NN 分类中，输出是一个类成员。 分类是由邻居的多数票完成的。 如果 K = 1，则该类是单个最近邻 [6]。 KNN 算法是由 TM Cover 和 PE Hart 在 1967 年提出的。该算法是通过使用来自已知类别的样本集的数据来使用的。 根据现有数据计算新数据要包含在样本数据集中的距离，并检查k个近邻域。 通常，距离计算使用 3 种距离函数： “欧几里得”距离 到“曼哈顿”的距离 “闵可夫斯基”是距离。 神经网络； 它是最流行的机器学习算法之一，因为它可以抵抗旧的、简单的和嘈杂的训练数据。 然而，它也有一个缺点。 例如，当用于大数据时，它需要大量的内存空间，因为它在计算距离时存储所有状态。 KNN算法的步骤：

机器学习数据包,做集训集和测试集。breast_cancer.xlsx，movies.xlsx,salary.txt,train_pics.rar（5000张手写数字）

乳腺癌 sklearn乳腺癌数据集的机器学习练习

二分类数据集，乳腺癌数据集，568条记录，30类特征，可以用分类算法如xgboost，svm等分类算法

Breast_cancer_classification_ 使用四种算法对乳腺癌进行分类，并检查每个模型的预测准确性得分

二分类数据集breast_cancer.csv，数据大小569x30