Name: A Random Forest Model for Breast Cancer Classification (en Inglés)
SKU: 66206080
Price: 62.06 USD
Availability: InStock
Author: Gumel, A. M.; Adam, A. N.; Waziri, I. Z.

portada A Random Forest Model for Breast Cancer Classification (en Inglés)

A Random Forest Model for Breast Cancer Classification (en Inglés)

Formato

Libro Físico

Editorial

LAP Lambert Academic Publishing

Autor

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

Idioma

Inglés

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.3 cm

ISBN13

9786208449407

A Random Forest Model for Breast Cancer Classification (en Inglés)

Gumel, A. M.; Adam, A. N.; Waziri, I. Z. (Autor) · LAP Lambert Academic Publishing · Tapa Blanda

Libro Nuevo Importado

Envío: 25 a 32 días háb.

$ 112.83$ 62.06

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 62.06

Llega entre el 21 Sep y el 02 Oct a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "A Random Forest Model for Breast Cancer Classification (en Inglés)"

This book highlights on development and optimization of a Random Forest (RF) model to classify breast cancer as benign or malignant using the Wisconsin Breast Cancer Dataset. After preprocessing 569 samples (357 benign, 212 malignant), a default RF model achieved 95.61% accuracy. To improve results, hyperparameter tuning via Grid Search was applied, adjusting parameters such as number of trees (150), max depth (None), min samples split (2), min samples leaf (1), and random seed (123). The optimized RF model achieved 99.12% accuracy, precision, recall, and F1-score, outperforming other methods like SVM, XGBoost, and prior RF implementations. Results show reduced false negatives and no false positives, indicating high sensitivity and specificity. The work underscores the value of meticulous hyperparameter tuning in medical AI applications and suggests future integration with neural networks and hybrid models for enhanced performance in clinical breast cancer diagnosis.