MAT之DT：DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性

输出结果

代码设计

输出结果

代码设计

%DT：DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性
load data.mat a = randperm(569);
Train = data(a(1:500),:);
Test = data(a(501:end),:);P_train = Train(:,3:end);
T_train = Train(:,2);P_test = Test(:,3:end);
T_test = Test(:,2);ctree = ClassificationTree.fit(P_train,T_train);view(ctree);
view(ctree,'mode','graph');T_sim = predict(ctree,P_test);count_B = length(find(T_train == 1));
count_M = length(find(T_train == 2));
rate_B = count_B / 500;
rate_M = count_M / 500;
total_B = length(find(data(:,2) == 1));
total_M = length(find(data(:,2) == 2));
number_B = length(find(T_test == 1));
number_M = length(find(T_test == 2));
number_B_sim = length(find(T_sim == 1 & T_test == 1));
number_M_sim = length(find(T_sim == 2 & T_test == 2));
disp(['病例总数：' num2str(569)...'  良性：' num2str(total_B)...'  恶性：' num2str(total_M)]);
disp(['训练集病例总数：' num2str(500)...'  良性：' num2str(count_B)...'  恶性：' num2str(count_M)]);
disp(['测试集病例总数：' num2str(69)...'  良性：' num2str(number_B)...'  恶性：' num2str(number_M)]);
disp(['良性乳腺肿瘤确诊：' num2str(number_B_sim)...'  误诊：' num2str(number_B - number_B_sim)...'  确诊率p1=' num2str(number_B_sim/number_B*100) '%']);
disp(['恶性乳腺肿瘤确诊：' num2str(number_M_sim)...'  误诊：' num2str(number_M - number_M_sim)...'  确诊率p2=' num2str(number_M_sim/number_M*100) '%']);
disp(['乳腺肿瘤整体预测准确率：' num2str((number_M_sim/number_M*100+number_B_sim/number_B*100)/2) '%']);leafs = logspace(1,2,10);N = numel(leafs);err = zeros(N,1);
for n = 1:Nt = ClassificationTree.fit(P_train,T_train,'crossval','on','minleaf',leafs(n)); err(n) = kfoldLoss(t);
end
plot(leafs,err);
xlabel('叶子节点含有的最小样本数');
ylabel('交叉验证误差');
title('叶子节点含有的最小样本数对决策树性能的影响,误差越大性能越差—Jason niu')OptimalTree = ClassificationTree.fit(P_train,T_train,'minleaf',13);
view(OptimalTree,'mode','graph')resubOpt = resubLoss(OptimalTree)
lossOpt = kfoldLoss(crossval(OptimalTree))resubDefault = resubLoss(ctree)
lossDefault = kfoldLoss(crossval(ctree))[~,~,~,bestlevel] = cvLoss(ctree,'subtrees','all','treesize','min')
cptree = prune(ctree,'Level',bestlevel);
view(cptree,'mode','graph')resubPrune = resubLoss(cptree)
lossPrune = kfoldLoss(crossval(cptree))

相关文章
DT：DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性

MAT之DT：DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性相关推荐

matlab切割肿瘤算法,ML之RF：基于Matlab利用RF算法实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性...
ML之RF:基于Matlab利用RF算法实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性目录输出结果实现代码输出结果更新-- 实现代码 %RF:RF实现根据乳腺肿瘤特征 ...
ML之RF：基于Matlab利用RF算法实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性
ML之RF:基于Matlab利用RF算法实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性目录输出结果实现代码输出结果更新-- 实现代码 %RF:RF实现根据乳腺肿瘤特征 ...
dt /dt dd /dd dl/dl
我们在制作网页过程中用到列表时一般会使用<ul>或者<ol>标签,很少用刑<dl>标签,但是这个三个标签却有着不可忽视的作用,毕竟Web标准中要尽最大可能的使用已有 ...
机器学习实验之肿瘤分类与预测（SVM）
文章目录肿瘤分类与预测(SVM) [实验内容] [实验要求] **[数据集]:威斯康星乳腺肿瘤数据集** 加载data文件夹里的数据集:威斯康星乳腺肿瘤数据集查看样本特征和特征值,查看样本特征值的 ...
肿瘤分类与预测（SVM）
文章目录实验内容:肿瘤分类与预测(SVM) [实验要求] [数据集]:威斯康星乳腺肿瘤数据集完整代码实验内容:肿瘤分类与预测(SVM) 采用SVM方法,对美国威斯康星州的乳腺癌诊断数据集进行分类 ...
机器学习实验二：朴素贝叶斯和SVM——肿瘤分类与预测（朴素贝叶斯）
实操项目 1--肿瘤分类与预测(朴素贝叶斯) 实验要求采用朴素贝叶斯方法,对美国威斯康星州的乳腺癌诊断数据集进行分类,实现针对乳腺癌检测的分类器,以判断一个患者的肿瘤是良性还是恶性. [实验要求] ...
机器学习实验之肿瘤分类与预测（朴素贝叶斯）
文章目录肿瘤分类与预测(朴素贝叶斯) [实验内容] [实验要求] **[数据集]:威斯康星乳腺肿瘤数据集** 导入sklearn自带的数据集:威斯康星乳腺肿瘤数据集(load_breast_canc ...
肿瘤分类与预测（朴素贝叶斯）
文章目录实验内容:肿瘤分类与预测(朴素贝叶斯) 实验要求 [数据集]:威斯康星乳腺肿瘤数据集完整代码实验内容:肿瘤分类与预测(朴素贝叶斯) 采用朴素贝叶斯方法,对美国威斯康星州的乳腺癌诊断数据集 ...
MAT之GUI：GUI的方式创建/训练/仿真/预测神经网络
MAT之GUI:GUI的方式创建/训练/仿真/预测神经网络目录操作步骤 (0).打开 (1).导入数据 (2)创建模型network_Jason_niu (3)设置参数并训练 (4)仿真预测操作 ...

MAT之DT：DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性

输出结果

代码设计

MAT之DT：DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性相关推荐

最新文章

热门文章