Diagnóstico de cáncer de mama utilizando k-Vecinos más cercanos con diferentes distancias y reglas de clasificación

El diagnóstico del cáncer es uno de los problemas más estudiados en el ámbito médico. Varios investigadores se han enfocado en mejorar el rendimiento y obtener resultados satisfactorios. El cáncer de mama es uno de los cánceres más mortales en el mundo. El diagnóstico de este cáncer es un gran problema en las investigaciones sobre el diagnóstico del cáncer. En inteligencia artificial, el aprendizaje automático es una disciplina que permite a la máquina evolucionar a través de un proceso. El aprendizaje automático se utiliza ampliamente en bioinformática y particularmente en el diagnóstico del cáncer de mama. Uno de los métodos más populares es k-vecinos más cercanos (K-NN), que es un método de aprendizaje supervisado. Utilizar K-NN en el diagnóstico médico es muy interesante. La calidad de los resultados depende en gran medida de la distancia y del valor del parámetro "k", que representa el número de los vecinos más cercanos. En este trabajo, estudiamos y evaluamos el rendimiento de diferentes distancias que se pueden utilizar en el algoritmo K-NN. Además, analizamos esta distancia utilizando diferentes valores del parámetro "k" y utilizando varias reglas de clasificación (la regla utilizada para decidir cómo clasificar una muestra). Nuestro trabajo se llevará a cabo en la base de datos WBCD (Wisconsin Breast Cancer Database) obtenida por la Universidad del Hospital de Wisconsin.