СРАВНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ БИНАРНОЙ КЛАССИФИКАЦИИ МЕДИЦИНСКИХ ДАННЫХ

Authors

  • Г.Х. Ташматов Author
  • О.Б. Рузибаев Author

Keywords:

машинное обучение, бинарная классификация, медицинские данные, ROC-AUC, Random Forest, SVM, Breast Cancer Wisconsin.

Abstract

В работе выполнено сравнение шести алгоритмов машинного обучения для задачи бинарной классификации медицинских наблюдений на наборе Breast Cancer Wisconsin (Diagnostic). Проведены аудит данных, стратифицированное разбиение выборки, построение пайплайнов предобработки, подбор параметров и оценивание моделей по метрикам Accuracy, Precision, Recall, F1 и ROC-AUC. Наилучший ROC-AUC на отложенной тестовой выборке показал Random Forest (0,997), тогда как максимальные Accuracy и F1 были получены для SVM с RBF-ядром. Результаты демонстрируют, что ансамблевые и margin-based методы обеспечивают устойчивое качество на компактном медицинском датасете.

References

1. Wolberg W., Mangasarian O., Street N., Street W. Breast Cancer Wisconsin

(Diagnostic) [Dataset]. UCI Machine Learning Repository, 1993. DOI:

10.24432/C5DW2B.

2. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine

Learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P.

2825–2830.

3. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, No. 1. P. 5–

32.

4. Cortes C., Vapnik V. Support-vector networks // Machine Learning. 1995.

Vol.

20. P. 273–297.

5. Cover T., Hart P. Nearest neighbor pattern classification // IEEE Transactions

on Information Theory. 1967. Vol. 13, No. 1. P. 21–27.

6. Friedman J. Greedy function approximation: A gradient boosting machine //

Annals of Statistics. 2001. Vol. 29, No. 5. P. 1189–1232.

Published

2026-05-29