YaHallo!. Вернись со мной, Афри Геогана!. Это программная идея, которую я почерпнул из нескольких ссылок, и я поделюсь с вами возможностью, которую я изменю в будущем.
Искусственный интеллект (ИИ) имеет множество применений в реальном мире. Одним из них является ИИ, который можно использовать для прогнозирования (прогнозирования), обнаружения объектов, распознавания лиц, распознавания голоса и других. Конечно, чтобы иметь возможность делать все это, нельзя отделить машинное обучение, которое является алгоритмом, лежащим в основе величия самого ИИ.
На этот раз я расскажу, как обнаружить рак молочной железы с помощью машинного обучения. Данные о раке молочной железы, которые мы будем использовать, являются оригинальными полевыми данными, собранными Калифорнийским университетом (UCI).
Как получаются эти данные, чтобы можно было обнаружить рак? Основываясь на первоисточнике, исследователи взяли определенную часть органа груди пациентки, называемую FNA (тонкоигольная аспирация), которая представляет собой часть клеток, которые могут представлять собой рак. Затем из этого FNA измеряли несколько признаков (всего 30 признаков), таких как, например, размер радиуса, площадь поверхности, текстуру, степень симметрии ячейки FNA. В том же наборе данных у нас также есть столбец «цель», в котором указано, является ли образец FNA злокачественным и злокачественным или нет.
Таким образом, у нас есть сотни клеток FNA, каждая из которых имеет статус того, является ли злокачественны они или нет, и каждая из этих клеток имеет 30 характеристик, которые измерили эксперты. Наша задача — научить нашу модель машинного обучения искать закономерности (взаимосвязи) между 30 признаками со злокачественным статусом (0) или нет (1). Затем, когда наша модель может получить шаблон, мы тестируем ее на тестовом наборе, чтобы увидеть ее производительность.
Ниже приводится объяснение нескольких утверждений в отчете о классификации:
Точность: сколько было обнаружено в классе.
Отзыв: сколько было обнаружено в этом классе по сравнению с другими классами.
Точность и отзыв очень полезны, если данные несбалансированы. Поэтому, если данные четные, просто посмотрите на F1-оценку.
F1-оценка: гармонизация между предсказанием и отзывом (уровень общей точности).
Поддержка: сколько предсказанных элементов в этом классе.
Увидев сводные результаты выше, можно сказать, что производительность нашей модели очень хорошая, с точностью 98%. Конечно, это также поддерживается, потому что качество полученных данных превосходно. Я надеюсь, что это может быть полезно для вас, и YaBye!.
