Meme Kanseri Sınıflandırmasında Özellik Seçimi
ANOVA F-Test, Mutual Information ve RFE özellik seçiminin üç sınıflandırma algoritmasının başarımına etkisinin karşılaştırılması.
Amaç ve veri seti
Breast Cancer Wisconsin (Diagnostic) veri setindeki 569 gözlem ve 30 sayısal özellik üzerinden iyi huylu ve kötü huylu tümör sınıflandırması incelendi. Veriler %80 eğitim, %20 test olarak ayrıldı.
Yöntem
ANOVA F-Test, Mutual Information ve Recursive Feature Elimination (RFE) ile 30 özellikten 10 özellik seçildi. k-NN, Gaussian Naive Bayes ve Lojistik Regresyon sınıflandırıcıları, özellik seçimi uygulanmayan temel modellerle birlikte toplam 12 kombinasyonda; 5 katlı tabakalı çapraz doğrulama ve bağımsız test kümesinde karşılaştırıldı.
Sonuçlar
Özellik seçimi yapılmayan Lojistik Regresyon %98,25 test doğruluğu elde etti. Özellik seçimi yapılan modellerde RFE + Lojistik Regresyon %97,37 doğruluk ve 0,9967 ROC-AUC değerine ulaştı. Çalışma, özellik sayısı azaltılırken yüksek başarımın korunabildiğini, ancak özellik seçiminin doğruluğu her zaman artırmadığını gösterdi.
Proje dosyaları
GitHub'da Kaynak Kodunu GörRaporlarda ekip üyelerinin iletişim ve öğrenci bilgileri bulunduğundan ham dosyalar henüz herkese açık yayımlanmadı. Gizlilik kontrolünden sonra onaylanan belgeler buraya eklenecek.