第6章乳腺癌数据智能分析与模型评估全景.pptxVIP

第六章乳腺癌数据智能分析与模型评估全景

目录CONTENTS01.项目概览与数据初探02.具体实现过程03.项目小结

01项目概览与数据初探

项目基本介绍1项目目标本项目旨在利用机器学习算法对乳腺癌数据进行分析与预测，主要任务是预测肿瘤的良恶性。2核心技术模块核心技术包括数据处理与可视化、基于MindSpore张量运算的算法加速，以及KNN、GaussianNaiveBayes、AdaBoost三大模型的自定义实现与对比评估。3技术流程我们使用的是公开的乳腺癌数据集，主要任务是预测肿瘤的良恶性（diagnosis）

核心技术数据处理与可视化·使用Pandas读取、清洗和处理数据，特别是在数据框架的操作上。·Seaborn和Matplotlib用于统计图、直方图、箱线图和成对图等可视化展示数据特征，帮助分析特征分布、数据关联性和异常值。·MindSpore:作为深度学习框架，在本项目中主要用于高效计算(如KNN模型的实现)，通过MindSpore张量进行计算加速。01

核心技术02数据预处理·标签映射(字符串转数值)·特征标准化(均值归一化)·自定义的train/test分割函数03模型算法实现·基于MindSpore张量操作实现KNN分类器·自定义GaussianNaiveBayes模型，基于贝叶斯定理的分类算法，适用于特征独立的情况。·基于决策树的AdaBoost分类器实现(实现类似GradientBoostingClassifier的效果)，用多个弱分类器(如决策树)进行迭代训练，增强模型的准确性。

02具体实现过程

（1）数据读取与可视化，导入必要的库并设置绘图规范#安装依赖库#pipinstallseabornpandasmatplotlibnumpymindspore#导入必要库importpandasaspdimportseabornassnsimportmatplotlib.pyplotaspltimportnumpyasnpimportos

请在此处添加标题请在此处添加副标题#导入MindSpore相关包importmindsporeimportmindspore.numpyasmnpimportmindspore.opsasops#设置绘图规范plt.rcParams[font.size]=12#设置字体大小plt.rcParams[axes.linewidth]=1.5#设置坐标轴线宽

（2）创建保存图像的文件夹，如果文件夹不存在则创建#创建图像保存文件夹output_folder=output_figuresifnotos.path.exists(output_folder):os.makedirs(output_folder)

请在此处添加文本（3）读取乳腺癌数据，并删除无用的id列#数据读取与初步处理（第一次读取）data_path=breast-cancer.csvcancer_data=pd.read_csv(data_path)#删除无用的id列（通用处理）ifidincancer_data.columns:cancer_data.drop([id],axis=1,inplace=True)

（4）检查diagnosis列的数据类型，并进行数据清洗和映射#检查并处理diagnosis列（字符串转数值）print(diagnosis列数据类型:,cancer_data[diagnosis].dtype)ifcancer_data[diagnosis].dtype==object:cancer_data[diagnosis]=cancer_data[diagnosis].str.strip().str.upper()cancer_data[diagnosis]=cancer_data[diagnosis].map({M:1,B:0})print(数据映射后前几行:)print(cancer_data.head())else:print(diagnosis列已为数值型,无须清洗。)输出结果：diagnosis列数据类型：int64diagnosis列已为数值型，无需清洗

（5）输出数据的基本信息和统计概要print(\n数据基本信息:)cancer_data_info=cancer_data.info()pri