بررسی تشخیص سرطان سینه با استفاده از الگوریتم random forest

تشخیص سرطان سینه یکی از مسائل مهم در پزشکی است که با استفاده از الگوریتم های یادگیری ماشین می توان آن را تشخیص داد. یکی از الگوریتم های مورد استفاده در این زمینه، الگوریتم random forest است.random forest یک الگوریتم یادگیری ماشینی است که برای تشخیص سرطان سینه و دسته بندی نمونه های تصویر پراستفاده است. این الگوریتم بر اساس مجموعه ای از درخت های تصمیم گیری کار می کند که هر کدام از آنها به صورت تصادفی از داده ها ساخته شده است. این الگوریتم به دلیل داشتن چندین درخت تصمیم گیری، قابلیت انعطاف پذیری بالا، قابلیت تشخیص دقیق و کاهش احتمال خطا را دارد. با توجه به اینکه سرطان سینه یکی از بیماری های خطرناک و پیشرفته است، استفاده از الگوریتم random forest در تشخیص آن می تواند بهبود موثری در دقت تشخیص و پیشگیری از پیشرفت بیماری داشته باشد.در این تحقیق، الگوریتم رندم فارست بر روی داده‌های بالینی دیتاست bread cancer بیمار مبتلا و غیرمبتلا به سرطان سینه آموزش داده شده است. این دیتاست شامل 10 ویژگی است،که نتایج حاصل از بررسی الگوریتم دقت لازم در تشخیص بیماری سرطان سینه را به74.7826% افزایش نسبت به دیگر روش‌های متداول نشان می‌دهد.

investigating breast cancer diagnosis using random forest algorithm

breast cancer diagnosis is one of the most important issues in medicine that can be diagnosed using machine learning algorithms. one of the algorithms used in this field is the random forest algorithm. random forest is a machine learning algorithm that is widely used to diagnose breast cancer and classify image samples. this algorithm works based on a set of decision trees, each of which is randomly generated from the data. due to having several decision trees, this algorithm has high flexibility, accurate detection and reduced error probability. considering that breast cancer is one of the dangerous and advanced diseases, the use of random forest algorithm in its diagnosis can effectively improve the accuracy of diagnosis and prevention of disease progression. in this research, the random forest algorithm is based on clinical data. bread cancer patients with and without breast cancer have been trained. this dataset contains 10 features, the results of the algorithm review show that the accuracy required in breast cancer diagnosis is increased by 74.7826% compared to other common methods.