Model lasu losowego do klasyfikacji raka piersi

Niniejsza ksi¿¿ka przedstawia rozwój i optymalizacj¿ modelu Random Forest (RF) do klasyfikacji raka piersi jako ¿agodnego lub z¿o¿liwego przy u¿yciu zestawu danych Wisconsin Breast Cancer Dataset. Po wst¿pnym przetworzeniu 569 próbek (357 ¿agodnych, 212 z¿o¿liwych), domy¿lny model RF osi¿gn¿¿ dok¿adno¿¿ 95,61%. Aby poprawi¿ wyniki, zastosowano dostrajanie hiperparametrów za pomoc¿ wyszukiwania siatki, dostosowuj¿c parametry, takie jak liczba drzew (150), maksymalna g¿¿boko¿¿ (brak), minimalny podziä próbek (2), minimalny li¿¿ próbek (1) i losowe nasiona (123). Zoptymalizowany model RF osi¿gn¿¿ 99,12% dok¿adno¿ci, precyzji, przywo¿ania i wyniku F1, przewy¿szaj¿c inne metody, takie jak SVM, XGBoost i wcze¿niejsze implementacje RF. Wyniki pokazuj¿ zmniejszon¿ liczb¿ fäszywych negatywów i brak fäszywych pozytywów, co wskazuje na wysok¿ czu¿o¿¿ i specyficzno¿¿. Praca podkre¿la warto¿¿ skrupulatnego dostrajania hiperparametrów w medycznych zastosowaniach sztucznej inteligencji i sugeruje przysz¿¿ integracj¿ z sieciami neuronowymi i modelami hybrydowymi w celu zwi¿kszenia wydajno¿ci w klinicznej diagnostyce raka piersi.