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

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向量高精度(better)预测肿瘤的是恶性还是良性load data.mata = 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);model = classRF_train(P_train,T_train); [T_sim,votes] = classRF_predict(P_test,model);count_B = length(find(T_train == 1));
count_M = length(find(T_train == 2));
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) '%']);figureindex = find(T_sim ~= T_test);
plot(votes(index,1),votes(index,2),'r*')
hold onindex = find(T_sim == T_test);
plot(votes(index,1),votes(index,2),'bo')
hold onlegend('红色*是错误分类样本','蓝色空心圆是正确分类样本')plot(0:500,500:-1:0,'r-.')
hold onplot(0:500,0:500,'r-.')
hold online([100 400 400 100 100],[100 100 400 400 100])xlabel('输出为类别1的决策树棵数')
ylabel('输出为类别2的决策树棵数')
title('随机森林分类器性能分析—Jason niu')   Accuracy = zeros(1,20);
for i = 50:50:1000iaccuracy = zeros(1,100);for k = 1:100model = classRF_train(P_train,T_train,i);T_sim = classRF_predict(P_test,model);accuracy(k) = length(find(T_sim == T_test)) / length(T_test);endAccuracy(i/50) = mean(accuracy);
endfigure
plot(50:50:1000,Accuracy)
xlabel('随机森林中决策树棵数')
ylabel('分类正确率')
title('随机森林中决策树棵数对性能的影响—Jason niu')

相关文章
RF：RF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RFXGBoost：分别基于RF随机森林、XGBoost算法对Titanic(泰坦尼克号)数据集进行二分类预测(乘客是否生还)
ML之RF&XGBoost:分别基于RF随机森林.XGBoost算法对Titanic(泰坦尼克号)数据集进行二分类预测(乘客是否生还) 目录输出结果设计思路核心代码输出结果设计思路 ...
【RF分类】基于matlab随机森林算法数据分类【含Matlab源码 2048期】
⛄一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[RF分类]基于matlab随机森林算法数据分类[含Matlab源码 2048期] 获取代码方式2: 付费专栏Matlab智能算法神经网络 ...
基于MATLAB的Dijkstra算法实现及案例分析
摘要:为研究两地点之间距离(或耗时)最短路线规划,采用MATLAB编程的方法来实现,并利用Floyd算法记录距离(或耗时)最短路线.在不考虑各种影响因素的情况下,以随机小样本数据为例进行演示,求得由起 ...
基于matlab的数字图像边缘检测算法研究,基于MATLAB数字图像边缘检测算法的研究与对比分析...
·161· 居舍研究探讨 2017年10月(中) 1 绪论图像边缘中通常包含着重要的边界信息,这些边界信息便于分析和研究图像.另外,边缘检测可以大大降低图像处理的工作量,将提高图像分析的效率. ...
matlab的多变量dmc源程序,基于MATLAB多变量DMC算法的仿真技术研究
基于MATLAB多变量DMC算法的仿真技术研究基于MATLAB多变量DMC算法的仿真技术研究作者:李凤霞于佐军来源:<科技创新导报>2011年第17期摘要:利用MATLAB开发 ...
matlab的多变量dmc源程序,基于MATLAB多变量DMC算法仿真技术研究
基于MATLAB多变量DMC算法的仿真技术研究摘要:利用matlab开发系统的仿真程序,以试验室的cstr模型为研究对象,用动态矩阵控制算法建立仿真模型,实现多输入多输出系统的控制,绘制出调节曲线, ...
基于MATLAB的数字水印算法研究实现
基于MATLAB的数字水印算法研究实现一.课题背景随着图像.音频.视频等多媒体信息以及Internet的迅速发展,多媒体信息在互联网上的广泛传播变得及其便利,数据的交换和传输过程变得相对简单.多 ...
matlab负序控制程序,基于MATLAB的微机保护算法和负序电流算法
内容简介: 基于MATLAB的微机保护算法和负序电流算法,毕业论文,共33页,12271字. [摘要]随着电力工业的发展,电力系统的规模越来越大.在这种情况下,许多大型的电力科研试验很难进行,同时对数 ...

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

输出结果

实现代码

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相关推荐

最新文章

热门文章