注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. breast_cancer_classification-源码

  2. 乳腺癌分类 问题陈述 根据多种观察/特征预测癌症诊断是良性还是恶性 使用了30个功能，例如： -半径（从中心到周长上的点的距离的平均值） -纹理（灰度值的标准偏差） - 周长- 区域-平滑度（半径长度的局部变化） -紧凑度（周长^ 2 /面积-1.0） -凹度（轮廓凹部的严重程度） -凹点（轮廓上凹部分的数量） -对称-分形维数（“海岸线近似值” -1） 数据集可使用所有30种输入功能进行线性分离 实例数：569 等级分配：212恶性，357良性 目标类别： -恶性-良性 数据集 链接：

  3. 所属分类：其它

  1. GraphRepur-源码

  2. GraphRepur：通过基于图神经网络的药物暴露表达谱和药物-药物链接的整合，针对乳腺癌的药物重用 概述 该目录包含运行GraphRepur算法所需的代码。 GraphRepur可用于预测癌症的新药。 GraphRepur是基于GraphSAGE构建的，并修改了GraphSAGE的损失函数以处理不平衡的乳腺癌数据。 要求 要安装所有依赖项，Python的版本必须为<= 3.7。 需要TensorFlow，numpy，scipy，sklearn和networkx（但tensorflow必须

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：20mb
    • 提供者：weixin_42127369

  1. Cancer-Prediction-ML:使用机器学习进行乳腺癌预测-源码

  2. 癌症预测 使用机器学习进行乳腺癌预测 使用的算法和精度： 算法精度 Logistic Regression Method 0.982456 Decision Tree Classifier Method 0.941520 Random Forest Classifier Method 0.947368 Support Vector Classifier Method 0.970760

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：53kb
    • 提供者：weixin_42127369

  1. Breast-Cancer-Prediction-App-源码

  2. 乳腺癌预测应用 问题陈述 - 乳腺癌（BC）是全球女性中最常见的癌症之一，根据全球统计数据，它代表着大多数新的癌症病例和与癌症相关的死亡，这使其成为当今社会的重要公共卫生问题。 BC的早期诊断可以促进对患者的及时临床治疗，因此可以显着改善预后和生存机会。 ML技术已广泛用于乳腺癌分类问题。 它们提供了高分类精度和有效的诊断功能。 我们的主要目标是使用Flask API构建应用程序，并在Heroku上部署以对乳腺癌是良性还是恶性进行分类。 有了这段代码，我们将学习： 如何在Heroku上使用

  3. 所属分类：其它

  1. 癌症预测-源码

  2. 乳腺癌预测 知识库是一项学习练习，旨在： 将机器学习和深度学习的基本概念应用于可用数据集。 根据观察到的数据集评估和解释结果，并证明我的解释是正确的。创建用作计算记录的笔记本并记录我的思考过程。 分析分为四个部分，保存在此存储库的Juypter笔记本中。 识别问题和数据源探索性数据分析使用目标输出功能对数据构建模型进行预处理，以预测乳腺癌。 draft.ipynb Jupyter笔记本由2005-2017年的合并数据集组成，具有1048575个数据点，其输出特征的年龄。 BreastC

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：760kb
    • 提供者：weixin_42134234

  1. MachineLearning-ERbreastCancer：带有梯度下降逻辑回归的ER乳腺癌预测-源码

  2. 使用梯度下降逻辑回归的ER乳腺癌预测 乔治娜·冈萨雷斯（Georgina Gonzalez） 拷贝数畸变，基因组区域的得失是癌症的标志。 拷贝数数据是高维数据，具有大量相关特征。 通常，像在这种情况下一样，样本数量比特征数量少。 在这项工作中，我首先使用阵列CGH的拓扑分析（TAaCGH）[1]降低了维度，从而检测出雌激素受体（ER +）过表达的患者的拷贝数显着异常。 接下来，确定每个患者的特定区域是否异常，从而创建一组二进制变量，这些变量将用作梯度下降逻辑回归模型的特征以预测ER +乳腺癌[

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：245kb
    • 提供者：weixin_42166105

  1. Breast_Cancer_CADx：监督式机器学习算法可预测乳腺癌的诊断-源码

  2. 乳腺癌CADx 监督式机器学习算法可预测乳腺癌的诊断 乳腺癌是美国女性死于癌症的第二大主要原因。 早期发现与更好的预后密切相关。 乳房X线照相术是检测的第一线，但并不完美。 乳房X光检查的假阴性率为8-10％，由于某些异常情况不会影响女性的健康，因此很难确定癌症的严重程度或类型。 因此，进行活检以确认诊断。 细针穿刺是最简单，最常见的活检类型。 这项研究测试了各种监督的机器学习算法，以确定使用定量，连续的数据预测乳腺癌诊断最准确的算法。 威斯康星州乳腺癌数据集用于训练和测试三种机器学习模型

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：558kb
    • 提供者：weixin_42116058

  1. 癌症预测：乳腺癌预测-源码

  2. 乳腺癌预测 乳腺癌预测 关于： 乳腺癌（BC）是全球女性中最常见的癌症之一，根据全球统计数据，它代表着大多数新的癌症病例和与癌症相关的死亡，这使其成为当今社会的重要公共卫生问题。 BC的早期诊断可以促进对患者的及时临床治疗，因此可以显着改善预后和生存机会。 良性肿瘤的进一步准确分类可以防止患者接受不必要的治疗。 因此，对BC的正确诊断以及将患者分为恶性或良性组的分类是许多研究的主题。 利用乳腺癌威斯康星州（诊断）数据集，我创建了一个分类器，可以帮助预测乳腺癌的类型。

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：232kb
    • 提供者：weixin_42129412

  1. Coursera-AI用于医疗预后：Coursera AI用于医疗预后课程的概念摘要，任务和实验室-源码

  2. Coursera：用于医学预后的AI 从Coursera的AI医学课程中进行总结，作业（Jupyter笔记本）和实验室（Jupyter笔记本）。 目录 关键概念 第一周：医学预后简介 医学预后介绍 医学预后是指预测未来事件的风险，例如死亡，心脏病发作，特定的医疗状况或中风。 它可以用来 通知患者： 他们患病的风险，即使用血液测试来估计患乳腺癌和卵巢癌的风险，或 他们可以预期在某种疾病中生存多长时间，即癌症的生存时间。 指导治疗： 使用该模型来估计心脏病发作的风险，以确定谁应该服用药物。

  3. 所属分类：其它

  1. Decision-Trees-Cancer-Prediction-：使用现有数据预测决策树来预测乳腺癌的示例（Scikit-learnpython）-源码

  2. 决策树癌症预测 使用现有数据通过决策树进行学习来预测乳腺癌的示例（scikit-learn / python） 加工 收集的数据样本已分为测试样本和训练样本。 使用scikit的决策树生成器和转换集，可用于基于ID3生成树。 然后可以将测试数据用于交叉验证生成的树的准确性。 这个小程序还生成pdf，以可视化生成的树。 注意 该程序仅用于演示/实验目的。 以下是依赖项 python numpy scipy scikit-学习pydotplus graphviz 使用说明 安装python版本2

  3. 所属分类：其它