说明：这是一个机器学习实战项目（附带数据+代码+文档+代码讲解），如需数据+代码+文档+代码讲解可以直接到文章最后获取。
1.项目背景
在当今医疗健康领域，乳腺癌作为威胁女性健康的主要恶性肿瘤之一，其早期诊断与精准治疗对于提高患者生存率至关重要。随着医学信息学与人工智能技术的飞速发展，利用大数据分析、机器学习以及深度学习等先进手段构建乳腺癌分类预测模型，已成为研究热点和临床实践的重要方向。
近年来，全球乳腺癌发病率持续上升，成为全球范围内女性癌症发病率最高的疾病之一。尽管乳腺癌在早期发现时治疗效果较为理想，但传统的诊断方法如钼靶摄影、超声检查及组织活检等存在一定的局限性，如误诊率、漏诊率问题以及对患者造成的身体与心理负担。因此，开发高效、准确且便捷的乳腺癌分类预测模型，不仅能够提高诊断效率，还能促进个性化医疗方案的制定，为患者带来更为及时有效的干预措施。
研究意义：
提升早期诊断率：通过分析乳腺影像学、生物标志物、遗传学及临床数据，构建的预测模型能够有效识别乳腺癌早期迹象，为患者争取宝贵的治疗时间。
个性化医疗策略：结合患者的个体差异，预测模型能辅助医生定制化治疗方案，实现精准医疗。
资源优化配置：高效预测模型可减少不必要的检查和治疗，优化医疗资源分配，减轻公共卫生系统的负担。
促进科研进展：模型的开发与验证过程能够深化对乳腺癌生物学机制的理解，推动相关基础研究与技术创新。
基于以上背景，本研究拟采用先进的机器学习算法，结合丰富的乳腺癌临床数据集，构建一个高度准确且具有临床实用价值的乳腺癌分类预测模型。最终目标是为乳腺癌的早期筛查与精准管理提供科学依据，进而改善患者预后，提升公众健康水平。
本项目通过逻辑回归分类模型、决策树分类模型、随机森林分类模型和XGBoost分类模型实现乳腺癌分类预测。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2数据缺失查看
使用Pandas工具的info()方法查看数据信息：
从上图可以看到，总共有31个变量，数据中无缺失值，共569条数据。
关键代码：
3.3数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 label变量柱状图
用Matplotlib工具的plot()方法绘制柱状图：
4.2 label=1样本mean radius变量分布直方图
用Matplotlib工具的hist()方法绘制直方图：
4.3 相关性分析
从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下：
5.2 数据均衡化
通过上图可以看到，数据均衡化后，标签两种样本的数量一致。
5.3 数据集拆分
通过train_test_split()方法按照80%训练集、20%测试集进行划分，关键代码如下：
6.构建分类模型
主要使用逻辑回归分类算法、决策树分类算法、随机森林分类算法和XGBoost分类算法，用于目标分类。
6.1 构建模型
7.模型评估
7.1评估指标及结果
评估指标主要包括准确率、查准率、查全率、F1分值等等。
从上表可以看出，4个模型的F1分值都在0.9以上，说明这模型效果较好，其中逻辑回归模型F1最高为0.9718。
7.2 分类报告
逻辑回归分类模型：
从上图可以看出，分类为0的F1分值为0.97；分类为1的F1分值为0.97。
决策树分类模型：
从上图可以看出，分类为0的F1分值为0.95；分类为1的F1分值为0.94。
随机森林分类模型：
从上图可以看出，分类为0的F1分值为0.97；分类为1的F1分值为0.96。
XGBoost分类模型：
从上图可以看出，分类为0的F1分值为0.97；分类为1的F1分值为0.96。
7.3 混淆矩阵
逻辑回归分类模型：
从上图可以看出，实际为0预测不为0的 有4个样本；实际为1预测不为1的 有0个样本。
决策树分类模型：
从上图可以看出，实际为0预测不为0的 有5个样本；实际为1预测不为1的 有3个样本。
随机森林分类模型：
从上图可以看出，实际为0预测不为0的 有2个样本；实际为1预测不为1的 有3个样本。
XGBoost分类模型：
从上图可以看出，实际为0预测不为0的 有2个样本；实际为1预测不为1的 有3个样本。
7.4 ROC曲线
逻辑回归分类模型：
从上图可以看出，逻辑回归分类模型的AUC值为1.0。
决策树分类模型：
从上图可以看出，决策树分类模型的AUC值为0.94。
随机森林分类模型：
从上图可以看出，随机森林分类模型的AUC值为0.99。
XGBoost分类模型：
从上图可以看出，XGBoost分类模型的AUC值为1.0。
8.结论与展望
综上所述，本文采用了逻辑回归、决策树、随机森林和XGBoost算法来构建分类模型，最终证明了4种模型效果良好，其中逻辑回归模型效果最优。此模型可用于日常产品的预测。
说明：进入作者个人主页，可以查看更多文章内容，点击作者头像，可进入作者个人主页：
项目代码：
# label变量柱状图
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# kind='bar' 绘制柱状图
df['label'].value_counts().plot(kind='bar') # 绘图
plt.xlabel("label变量") # 设置x轴名称
# 绘制直方图 bins：控制直方图中的区间个数 auto为自动填充个数 color：指定柱子的填充色
plt.hist(data_tmp, bins='auto', color='g') # 绘图
# 项目资源如下：
# https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
# 数据均衡化
from imblearn.over_sampling import RandomOverSampler, SMOTE # 导入过采样工具
model_SMOTE = SMOTE(random_state=0) # 建立过采样模型
x_SMOTE_resampled, y_SMOTE_resampled = model_SMOTE.fit_resample(X, y) # 过采样后样本结果
x_SMOTE_resampled = pd.DataFrame(x_SMOTE_resampled, columns=X.columns.values) # 构建DataFrame框架
y_SMOTE_resampled = pd.DataFrame(y_SMOTE_resampled, columns=['label']) # 构建DataFrame框架
