【原创】r语言uci乳房肿块数据分析挖掘报告

1、一 收集数据数据由 UCI 机器学习数据仓库的一个数据集得到，数据集名称为“BreastCancer Wisconsin (Diagnostic) Data Set ”,包括乳房肿块镇抽吸活检图像的数字化的多项测度值，这些值代表出现在数字化图像中的细胞核的特征。乳腺癌数据包括 569 例细胞活检案例，每个案例有 32 个特征。一个特征是识别号码，一个特征是癌症诊断结果，其他 30 个特征是数值型的实验室测量结果。癌症诊断结果用编码“M”表示恶性，用编码“B”表示良性。30 个数值型测量结果由数字化细胞核的 10 个不同特征的均值、标准差、最大值构成，这 10 个特征包括：radius (mea

2、n of distances from center to points on the perimeter)texture (standard deviation of gray-scale values)perimeterareasmoothness (local variation in radius lengths)compactness (perimeter2 / area - 1.0)concavity (severity of concave portions of the contour)concave points (number of concave portions of

3、the contour)symmetryfractal dimension二 探索和准备数据使用命令 str(iris)可以确认数据是由 569 个案例和 32 个特征构成的，输出结果如下所示：我们看到了预期的 569 个观察值和 32 个特征（变量），第一个变量 v1 是每个病人在数据中唯一的标识符（ID），并不能提供有用的信息，所以我们需要把它从模型中排除。我们将数据分成两部分：用来建立决策树的训练数据集和用来评估模型性能的测试数据集。将使用 70%的数据作为训练数据，30%的数据作为测试数据。三 基于数据训练模型在训练数据集 rxa_train 中，第 1 列是类变量 v2，我们将它作为

4、一个自变量从训练数据框中排出，但把它作为用于分类的目标因子向量。现在，对象 rxa_model 包含一个 C5.0 决策树对象，我们通过输入其名称来查看关于该决策树的一些基本数据。下图显示了决策树的分支：下图为输出的混淆矩阵，这是一个交叉列表，表示模型对训练数据错误分类的记录数四 评估模型性能表格中单元格的百分比表示落在 4 个分类里的值所占的比例，在左上角的单元格中，是真阴性的结果，121 个值中有 67 个值表示肿块是良性的，预测结果与实际一致。在右下角的单元格中，显示的是真阳性的结果，这里表示的是预测结果与实际一致认为肿块是恶性的情况。左下角单元格的 7 个案例是假阴性的结果，预测值为良

5、性“B”，实际情况是肿块为恶性“M”，可能会发生病人认为自己没有癌症，而实际上这种疾病可能会继续蔓延。右下角单元格包含的是假阳性的结果，模型把肿块标识为恶性“M”，实际结果是良性“B”。这类错误可能会导致医疗系统的额外财政负担和病人的额外压力。模型的准确率约为 90.09%，错误率约为 9.91%。五提高模型性能1.Boosting添加一个额外的参数 trials，表示在模型增强团队中使用的独立决策树的数量。设置上限为 10，如果该算法识别出额外的实验似乎并没有提高模型的准确性，那么它将停止添加决策树。在增强模型性能后，总的错误率由之前的 9.91%下降到现在的 6.61%2.随机森林使用大数

6、量树的目的是是的每一个特征都有机会在多个模型中被充分训练。从结果可看出，总的错误率由之前的 9.91%下降到现在的 3.69%3.两种方法的差异随机森林模型的结果：Boosting C5.0 模型的结果如下：Kappa 值为 0.9257464，trials=40 时的随机森林模型是最好的，比 C5.0 决策树模型 kappa 值为 0.9219790 要好一些。代码：library(C50)library(gmodels)library(randomForest) rxa-read.table(E:data乳腺癌.txt,sep = ,) str(rxa)rxa-rxa-1 table(rx

7、a$V2)set.seed(12345)#设置随机数种子 ind - sample(2, nrow(rxa), replace=TRUE, prob=c(0.8, 0.2) rxa_train - rxaind=1,#训练集rxa_test- rxaind=2,#测试集 rxa_model-C5.0(rxa_train-1,rxa_train$V2) rxa_modelsummary(rxa_model) rxa_pred-predict(rxa_model,rxa_test)CrossTable(rxa_test$V2,rxa_pred,prop.chisq = FALSE,prop.c=F

8、ALSE,prop.r = FALSE,dnn = c(actualV2,predicted V2)#boosting#rxa_boost10-C5.0(rxa_train-1,rxa_train$V2,trials=10) rxa_boost10summary(rxa_boost10) rxa_boost_pred10-predict(rxa_boost10,rxa_test)CrossTable(rxa_test$V2,rxa_boost_pred10,prop.chisq = FALSE,prop.c = FALSE,prop.r = FALSE,dnn = c(actual V2,predicted V2)#随机森林#rf-randomForest(V2.,data=rxa)rf#比较差异#ctrl-trainControl(method=repeatedcv,number=10,repeats=10)grid_rf-expand.grid(.mtry=c(2,4,8,16)m_rf-train(V2.,data=rxa,method=rf,metric=Kappa,trControl=ctrl,tuneGrid=grid_rf)m_rfgrid_C50-expand.gri