Classificação de Câncer de Mama

Este projeto é focado em classificar tumores de câncer de mama como malignos ou benignos usando técnicas de aprendizado de máquina. O dataset utilizado é o Breast Cancer Wisconsin disponível no Kaggle.

Índice

• Visão Geral
• Dataset
• Instalação
• Uso
• Resultados
• Contribuindo
• Licença
• Agradecimentos

Visão Geral

O câncer de mama é uma doença comum e potencialmente mortal. O diagnóstico precoce é crucial para um tratamento eficaz. Este projeto utiliza aprendizado de máquina para classificar tumores de câncer de mama com base em várias características extraídas de imagens.

Dataset

O dataset utilizado neste projeto é o Breast Cancer Wisconsin dataset disponível no Kaggle. Ele contém características computadas a partir de imagens de câncer de mama, incluindo média, erro padrão e piores (maiores) valores de várias medições (por exemplo, raio, textura, perímetro, área, suavidade).

Informações do Dataset

• Características: 30 características numéricas
• Alvo: Binário (maligno ou benigno)
• Número de Instâncias: 569

Instalação

Para executar este projeto, você precisa ter Python e as seguintes bibliotecas instaladas:

• numpy
• pandas
• matplotlib
• seaborn
• scikit-learn
• google.colab (se usar o Google Colab)

Você pode instalar essas bibliotecas usando pip: pip install numpy pandas matplotlib seaborn scikit-learn

Uso

Clone o repositório

git clone https://github.com/seu-usuario/breast-cancer-classification.git cd breast-cancer-classification

Execute o script Python

Certifique-se de que você tem o arquivo do dataset no caminho correto (/content/drive/MyDrive/RNA_Datasets/BreastCancerWisconsinDataSet.csv). Você pode ajustar o caminho no script, se necessário. python main.py

Google Colab

Se você estiver usando o Google Colab, certifique-se de que seu Google Drive está montado corretamente e o dataset está no diretório certo.

Resultados

Após executar o script, o modelo irá apresentar os seguintes resultados:

• Matriz de Confusão
• Pontuação de Acurácia
• Relatório de Classificação (Precisão, Recall, F1-Score)
• Número de épocas treinadas
• Parâmetros configurados no Perceptron

Exemplo de Saída

Acurácia dos testes: 0.956

	Precision	Recall	F1-Score	Support
0	0.96	0.98	0.97	100
1	0.95	0.93	0.94	71

Número de épocas no treinamento: 10 Lista de parâmetros configurados na Perceptron:Lista de parâmetros configurados na Perceptron:

{'penalty': None, 'alpha': 0.0001, 'fit_intercept': True, 'max_iter': 1000, 'tol': 0.001, 'shuffle': T

Contribuindo

Contribuições são bem-vindas! Se você tiver qualquer ideia ou melhoria, sinta-se à vontade para abrir uma issue ou enviar um pull request.