Name: Model lasu losowego do klasyfikacji raka piersi (en Polaco)
Price: 170184.00 COP
Availability: InStock
Author: Gumel, A. M.; Adam, A. N.; Waziri, I. Z.
ISBN: 9786209053733

portada Model lasu losowego do klasyfikacji raka piersi (en Polaco)

Model lasu losowego do klasyfikacji raka piersi (en Polaco)

Formato

Libro Físico

Editorial

Wydawnictwo Nasza Wiedza

Autor

Gumel, A. M.; Adam, A. N.; Waziri, I. Z.

Idioma

Polaco

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

ISBN13

9786209053733

Model lasu losowego do klasyfikacji raka piersi (en Polaco)

Gumel, A. M.; Adam, A. N.; Waziri, I. Z. (Autor) · Wydawnictwo Nasza Wiedza · Tapa Blanda

Libro Nuevo Importado

Envío: 21 a 25 días háb.

$ 340.368$ 170.184

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 170.184

¡Envío Gratis! Llega entre el 28 Ago y el 04 Sep a Bogota, Cundinamarca. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Model lasu losowego do klasyfikacji raka piersi (en Polaco)"

Niniejsza książka przedstawia rozwój i optymalizację modelu Random Forest (RF) do klasyfikacji raka piersi jako lagodnego lub zlośliwego przy użyciu zestawu danych Wisconsin Breast Cancer Dataset. Po wstępnym przetworzeniu 569 próbek (357 lagodnych, 212 zlośliwych), domyślny model RF osiągnąl dokladnośc 95,61%. Aby poprawic wyniki, zastosowano dostrajanie hiperparametrów za pomocą wyszukiwania siatki, dostosowując parametry, takie jak liczba drzew (150), maksymalna glębokośc (brak), minimalny podzial próbek (2), minimalny liśc próbek (1) i losowe nasiona (123). Zoptymalizowany model RF osiągnąl 99,12% dokladności, precyzji, przywolania i wyniku F1, przewyższając inne metody, takie jak SVM, XGBoost i wcześniejsze implementacje RF. Wyniki pokazują zmniejszoną liczbę falszywych negatywów i brak falszywych pozytywów, co wskazuje na wysoką czulośc i specyficznośc. Praca podkreśla wartośc skrupulatnego dostrajania hiperparametrów w medycznych zastosowaniach sztucznej inteligencji i sugeruje przyszlą integrację z sieciami neuronowymi i modelami hybrydowymi w celu zwiększenia wydajności w klinicznej diagnostyce raka piersi.