基于MATLAB的SVM支持向量机的乳腺癌分类方法应用
说明：这是一个机器学习实战项目（附带数据+代码+文档），如需数据+代码+文档可以直接到文章最后关注获取 或者私信获取。
1.项目背景
乳腺癌是全球女性中最常见的癌症之一，早期诊断对于提高治愈率和生存率至关重要。传统的诊断方法依赖于医生的经验和病理分析，这不仅耗时而且容易受到主观因素的影响。随着机器学习技术的发展，利用支持向量机（SVM）等算法进行医学影像和数据的自动分类与预测成为可能。本项目旨在基于MATLAB平台开发一种高效、准确的乳腺癌分类方法，通过应用SVM算法对乳腺癌相关数据集进行训练和测试，实现对乳腺癌的有效识别与分类。该系统不仅可以辅助医生进行更快速、准确的诊断，还能为个性化治疗方案提供参考依据，从而提升医疗效率和患者满意度。此外，本项目还将探讨不同特征选择方法对模型性能的影响，以期找到最优的乳腺癌分类策略。
本项目实现了基于MATLAB的SVM支持向量机的乳腺癌分类方法应用。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
| 编号 | 变量名称 | 描述 |
| 1 | radius1 | 半径的平均值 |
| 2 | texture1 | 纹理的平均值 |
| 3 | perimeter1 | 周长的平均值 |
| 4 | area1 | 面积的平均值 |
| 5 | smoothness1 | 平滑度的平均值 |
| 6 | compactness1 | 紧致度的平均值 |
| 7 | concavity1 | 凹度的平均值 |
| 8 | concave_points1 | 凹点数量的平均值 |
| 9 | symmetry1 | 对称性的平均值 |
| 10 | fractal_dimension1 | 分维数的平均值 |
| 11 | radius2 | 半径的标准误差 |
| 12 | texture2 | 纹理的标准误差 |
| 13 | perimeter2 | 周长的标准误差 |
| 14 | area2 | 面积的标准误差 |
| 15 | smoothness2 | 平滑度的标准误差 |
| 16 | compactness2 | 紧致度的标准误差 |
| 17 | concavity2 | 凹度的标准误差 |
| 18 | concave_points2 | 凹点数量的标准误差 |
| 19 | symmetry2 | 对称性的标准误差 |
| 20 | fractal_dimension2 | 分维数的标准误差 |
| 21 | radius3 | 半径的最大三个值的平均 |
| 22 | texture3 | 纹理的最大三个值的平均 |
| 23 | perimeter3 | 周长的最大三个值的平均 |
| 24 | area3 | 面积的最大三个值的平均 |
| 25 | smoothness3 | 平滑度的最大三个值的平均 |
| 26 | compactness3 | 紧致度的最大三个值的平均 |
| 27 | concavity3 | 凹度的最大三个值的平均 |
| 28 | concave_points3 | 凹点数量的最大三个值的平均 |
| 29 | symmetry3 | 对称性的最大三个值的平均 |
| 30 | fractal_dimension3 | 分维数的最大三个值的平均 |
| 31 | y | 肿块是良性（0）还是恶性（1） |
数据详情如下(部分展示)：
3.数据预处理
3.1 查看数据
使用head()方法查看前五行数据：
关键代码：
3.2数据缺失查看与描述统计
使用summary()方法查看数据信息：
从上图可以看到，总共有31个变量，数据中无缺失值，共569条数据。
关键代码：
4.探索性数据分析
4.1 因变量柱状图
用bar()方法绘制柱状图：
4.2 y=1样本radius1变量分布直方图
用histogram()方法绘制直方图：
4.3 相关性分析
部分数据变量的相关性分析：从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。
5.特征工程
5.1 建立特征数据和标签数据
关键代码如下：
5.2 数据集拆分
按照80%训练集、20%验证集进行划分，关键代码如下：
6.构建SVM分类模型
主要实现了基于MATLAB的SVM支持向量机的乳腺癌分类方法应用。
6.1 构建模型
构建分类模型。
| 模型名称 | 模型参数 |
| SVM分类模型 | 'KernelFunction', 'linear' |
| 'Standardize', true | |
| 'ClassNames', [0, 1] |
6.2 交叉验证优化参数
关键代码：
7.模型评估
7.1评估指标及结果
评估指标主要包括准确率、查准率、查全率、F1分值等等。
| 模型名称 | 指标名称 | 指标值 |
| 测试集 | ||
| SVM分类模型 | 准确率 | 0.9735 |
| 查准率 | 1.0000 | |
| 查全率 | 0.9286 | |
| F1分值 | 0.9630 | |
从上表可以看出，F1分值为0.9630，说明模型效果良好。
关键代码如下：
7.2 混淆矩阵
从上图可以看出，实际为0预测不为0的 有0个样本，实际为1预测不为1的 有3个样本，模型效果良好。
8.结论与展望
综上所述，本项目实现了基于MATLAB的SVM支持向量机的乳腺癌分类方法应用，最终证明了我们提出的模型效果良好。此模型可用于日常产品的建模工作。