地球资源数据云——数据资源详情
乳腺癌预后
该数据集《Breast Cancer Prognostics》主要用于多分类任务，数据形态以图像为主，应用场景偏向医疗健康。 题目说明：Study the Wisconsin Dataset 任务类型：图像多分类。 建议流程：先检查类别分布与脏样本，再用迁移学习（如 ResNet/EfficientNet）建立基线。 评估建议：使用分层切分或交叉验证，优先关注 F1、Recall、AUC 等分类指标。 可用文件：breast - cancer - wisconsin.data.csv, unformatted - data.csv, wdbc.data.csv 等 4 个文件。 _____ 乳腺癌预后研究 UCI 的威斯康星州数据集 [[source]](https://data.world/uci) _____ 关于此数据集 > 威斯康星州乳腺癌（预后）数据集汇集了从数百个乳腺癌病例中收集的数据，对于预测预后很有价值。它包括 30 个特征，例如半径、纹理、面积、致密性和凹度，这些特征是通过肿块的数字化细针抽吸 (FNA) 生成的，以生成每种情况下存在的细胞核的特征。它还包括复发和不复发等结果，以及复发病例的复发时间信息。 >> 这个突破性的数据集是由一些医学界的领军人物创建的；威斯康星大学临床科学中心的 William H. Wolberg 博士以及该大学计算机科学系的 W. Nick Street 和 Olvi L Mangasarian 都曾使用线性编程模型创建了各种决策树构建系统，以在极短的时间内准确预测疾病复发。 >> 这些数据可通过 UW CS ftp 服务器或 Kaggle 网站免费获取，使用起来比以往任何时候都更容易 - 让所有研究人员通过对诊断患者体内肿块进行 FNA 测试所拍摄的图像来获取有关乳腺癌预后和诊断的最新信息 - 允许每个参与者即时访问一组强大的特征与复发和非复发情况下的结果。此外还有诸如“预后预测的归纳学习方法”之类的论文。 WN street 等人广泛利用了该数据库，规划了如何将人工神经网络用于预测任务，并取得了显着的成功！有了这些经过测试的想法，任何人都可以了解如何做出决策，因为它与有效利用这些数据预测乳腺癌结果有关
摘要概览
该数据集《Breast Cancer Prognostics》主要用于多分类任务，数据形态以图像为主，应用场景偏向医疗健康。 题目说明：Study the Wisconsin Dataset
任务类型：图像多分类。
建议流程：先检查类别分布与脏样本，再用迁移学习（如 ResNet/EfficientNet）建立基线。
评估建议：使用分层切分或交叉验证，优先关注 F1、Recall、AUC 等分类指标。
可用文件：breast - cancer - wisconsin.data.csv, unformatted - data.csv, wdbc.data.csv 等 4 个文件。
_____ 乳腺癌预后研究 UCI 的威斯康星州数据集 [[source]](https://data.world/uci) _____ 关于此数据集 > 威斯康星州乳腺癌（预后）数据集汇集了从数百个乳腺癌病例中收集的数据，对于预测预后很有价值。它包括 30 个特征，例如半径、纹理、面积、致密性和凹度，这些特征是通过肿块的数字化细针抽吸 (FNA) 生成的，以生成每种情况下存在的细胞核的特征。它还包括复发和不复发等结果，以及复发病例的复发时间信息。 >> 这个突破性的数据集是由一些医学界的领军人物创建的；威斯康星大学临床科学中心的 William H. Wolberg 博士以及该大学计算机科学系的 W. Nick Street 和 Olvi L Mangasarian 都曾使用线性编程模型创建了各种决策树构建系统，以在极短的时间内准确预测疾病复发。 >> 这些数据可通过 UW CS ftp 服务器或 Kaggle 网站免费获取，使用起来比以往任何时候都更容易 - 让所有研究人员通过对诊断患者体内肿块进行 FNA 测试所拍摄的图像来获取有关乳腺癌预后和诊断的最新信息 - 允许每个参与者即时访问一组强大的特征与复发和非复发情况下的结果。此外还有诸如“预后预测的归纳学习方法”之类的论文。 WN street 等人广泛利用了该数据库，规划了如何将人工神经网络用于预测任务，并取得了显着的成功！有了这些经过测试的想法，任何人都可以了解如何做出决策，因为它与有效利用这些数据预测乳腺癌结果有关