Diagnose von Brustkrebs mittels k-nächster Nachbarn mit verschiedenen Distanzen und Klassifikationsregeln

Die Krebsdiagnose ist eines der am intensivsten untersuchten Probleme im medizinischen Bereich. Mehrere Forscher haben sich darauf konzentriert, die Leistung zu verbessern und zufriedenstellende Ergebnisse zu erzielen. Brustkrebs gehört zu den häufigsten Krebsarten weltweit. Die Diagnose dieser Krebsart stellt ein großes Problem in der Krebsdiagnoseforschung dar. Im Bereich der künstlichen Intelligenz ist das maschinelle Lernen ein Disziplin, die es Maschinen ermöglicht, sich durch einen Prozess weiterzuentwickeln. Maschinelles Lernen wird häufig in der Bioinformatik und insbesondere in der Diagnose von Brustkrebs eingesetzt. Eine der beliebtesten Methoden ist K-nächste Nachbarn (K-NN), die eine überwachtes Lernverfahren darstellt. Die Verwendung von K-NN in der medizinischen Diagnostik ist sehr interessant. Die Qualität der Ergebnisse hängt erheblich von der Distanz und dem Wert des Parameters "k" ab, der die Anzahl der nächstgelegenen Nachbarn repräsentiert. In diesem Papier untersuchen und bewerten wir die Leistung verschiedener Distanzen, die im K-NN-Algorithmus verwendet werden können. Außerdem analysieren wir diese Distanzen unter Verwendung verschiedener Werte des Parameters "k" und verschiedenen Klassifikationsregeln (die Regel, die verwendet wird, um zu entscheiden, wie eine Probe klassifiziert wird). Unsere Arbeit wird an der WBCD-Datenbank (Wisconsin Breast Cancer Database), die von der Universität Wisconsin Hospital erhalten wurde, durchgeführt.