基于乳腺癌分类评估生存率的 XGBoost 集成方法性能分析

乳腺癌（BC）是全球范围内最常见且蔓延迅速的疾病。如果能及早发现，该疾病是可以防范的，并最终能够降低死亡率。机器学习（ML）是研究中最常用的技术。癌症患者可受益于早期检测和诊断。本研究利用机器学习方法，提出了一种改进的乳腺癌检测方法。为了解决类别数据不平衡和噪声问题，本研究采用了合成少数类过采样技术（SMOTE）。所提出的任务包含两个步骤：在第一阶段，利用 SMOTE 来减少数据不平衡问题的影响；随后在下一阶段，使用朴素贝叶斯分类器、决策树分类器、Random Forest 及其集成模型对数据进行分类。实验分析表明，XGBoost-Random Forest 集成分类器在乳腺癌早期检测中表现优异，准确率达到了 98.20%。