基于集成学习的乳腺癌分类研究OACSTPCD
Breast Cancer Classification Based on Ensemble Learning
目的 由于传统机器学习算法的分类能力较低,不足以辅助临床诊断,本研究将分类功能强大的集成学习与医疗诊断相结合,提高诊断准确率和召回率.方法 研究应用集成学习的随机森林算法和Xgboost算法来提高模型准确率和召回率,并利用交叉验证和网格搜索提高模型拟合能力.结果 通过对比随机森林模型、Xgboost模型和传统机器学习的决策树模型,研究得出,集成学习极大地提高了乳腺癌诊断的准确率和召回率,准确率从0.92提高至0.96,召回率从0.90提高至0.9…查看全部>>
邓卓;苏秉华;张凯
北京理工大学珠海学院光电成像技术与系统教育部重点实验室,广东珠海519088北京理工大学,北京100081北京理工大学珠海学院光电成像技术与系统教育部重点实验室,广东珠海519088
医药卫生
集成学习随机森林Xgboost乳腺癌
《中国医疗设备》 2020 (12)
59-62,4
珠海市光电信息技术协同创新中心基金项目.
评论