使用K近邻算法诊断乳腺癌

赵宇

摘 要：随着信息技术的不断发展，医疗大数据的概念也逐渐被人类所熟知。通过对数据挖掘技术在乳腺癌各领域的研究现状（乳腺癌基因研究、乳腺癌早期辅助检查、力学药物靶点识别、乳腺癌新中医治疗方法）的分析，展望数据挖掘技术应用于乳腺癌领域的前景，为数据挖掘技术在乳腺癌疾病的研究提供新思路。

关键词：数据挖掘;乳腺癌

一、前言

乳腺癌已成为当前社会的重大公共卫生问题。全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。美国8名妇女一生中就会有1人患乳腺癌。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。

二、数据源

我们将使用来自UCI的乳腺癌诊断数据集，该乳腺癌数据包括569例乳腺细胞活检样本，每个样本包含32个变量。其中id变量是样本识别ID，diagnosis变量是目标变量（M代表恶性，B代表良性）。其他30个变量都是由10个数字化细胞核的10个不同特征的均值、标准差和最大值构成。这10个基本特征为：

三、数据探索和预处理

.3.1  数据的探索

首先，搜集数据集如下图所示，由于数量问题，只显示其中部分，共计569个样本，32个变量。

将整个数据集导入SPSS软件中。

第一个变量为ID，无法为实际的模型构建提供有用的信息，所以需要将其删除。diagnosis变量是我们的目标变量，我们首先统计一下其取值分布。观察在我们的数据集中，恶性（M）和良性样本（B）的分布情况。在正式建模之前需要将其进行整数编码，将良性（B）编码为0，将恶性（M）编码为1。……