Name: Ein Random-Forest-Modell zur Klassifizierung von Brustkrebs (en Alemán)
Price: 61.64 USD
Availability: InStock
Author: Gumel, A. M.; Adam, A. N.; Waziri, I. Z.
ISBN: 9786209043499

portada Ein Random-Forest-Modell zur Klassifizierung von Brustkrebs (en Alemán)

Ein Random-Forest-Modell zur Klassifizierung von Brustkrebs (en Alemán)

Formato

Libro Físico

Editorial

Verlag Unser Wissen

Autor

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

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.4 cm

ISBN13

9786209043499

Ein Random-Forest-Modell zur Klassifizierung von Brustkrebs (en Alemán)

Gumel, A. M.; Adam, A. N.; Waziri, I. Z. (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 25 a 32 días háb.

$ 112.07$ 61.64

-45%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 61.64

Llega entre el 25 Ago y el 07 Sep a Quito, Pichincha. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Ein Random-Forest-Modell zur Klassifizierung von Brustkrebs (en Alemán)"

Dieses Buch befasst sich mit der Entwicklung und Optimierung eines Random-Forest-Modells (RF) zur Klassifizierung von Brustkrebs als gutartig oder bösartig unter Verwendung des Wisconsin Breast Cancer Dataset. Nach der Vorverarbeitung von 569 Proben (357 gutartig, 212 bösartig) erreichte ein Standard-RF-Modell eine Genauigkeit von 95,61 %. Um die Ergebnisse zu verbessern, wurden die Hyperparameter mit Hilfe der Gittersuche optimiert, wobei Parameter wie die Anzahl der Bäume (150), die maximale Tiefe (keine), die Mindestanzahl der geteilten Stichproben (2), die Mindestanzahl der Blattproben (1) und die Zufallsauswahl (123) angepasst wurden. Das optimierte RF-Modell erreichte 99,12 % Genauigkeit, Präzision, Wiedererkennung und F1-Score und übertraf damit andere Methoden wie SVM, XGBoost und frühere RF-Implementierungen. Die Ergebnisse zeigen eine geringere Anzahl falsch negativer und keine falsch positiven Ergebnisse, was auf eine hohe Sensitivität und Spezifität hinweist. Die Arbeit unterstreicht den Wert einer sorgfältigen Abstimmung der Hyperparameter bei medizinischen KI-Anwendungen und schlägt eine zukünftige Integration mit neuronalen Netzen und hybriden Modellen zur Leistungssteigerung bei der klinischen Brustkrebsdiagnose vor.