Predicting breast cancer using gradient boosting machine

Abstract

Meme Kanseri, bu gibi yüksek ölüm oranlarına sahip en ölümcül hastalıklardır, sağkalım tahmini önemli bir rol üstlenir, çünkü klinisyenler her hastanın prognozunu ve denenecek ilgili tedavileri daha iyi tanımlamaya yardımcı olur. Özellikle meme kanseri için prognoz, tahmin şekilleriyle ilgilidir. Kanser Tahmini, tedaviden sonra ortaya çıkan kanseri ve spesifik meme kanseri durumunda, ilk teşhisten sonra hastaların yaklaşık üçte biri tarafından tecrübe edilen tahmin çok yaygındır. Bu nedenle, öngörü kalıplarını oluşturmak, bu patolojinin klinik davranışını doğru bir şekilde tahmin etmek için çok önemli bir görevdir. Bu, istenmeyen aşırı tedavi ve istenmeyen komplikasyonlardan kaçınarak hastalar için daha kişiselleştirilmiş bir tedavi sağlar. Gradient Boost, birçok `zayıf` sınıflandırıcı veya öğrenicinin etiketlerinin birleştirilmesinin göğüs kanserini öngörmek için güçlü bir sağlam kelimeye çevrildiği fikrine dayanan güçlü bir makine öğrenme algoritmasıdır. Yükseltme, bu temel öğrenenleri sırayla sınıflandırmak zor noktaların daha ağır olduğu ağırlıklı verilere ekleyerek uyarlamalı modellere uyan açgözlü bir algoritmadır. Uzmanlar, gradyan artırmanın, Meme Kanseri'ni tespit etmek ve tahmin etmek için şimdiye kadar geliştirilen en iyi kullanıma hazır sınıflandırıcı olduğunu iddia ediyor. Yukarıdaki yükseltme sürümlerinden görebileceğimiz gibi, her kayıp işlevi için benzersiz bir yükseltme algoritması türetilebilir ve performansı, hangi temel öğreniciye bağlı olarak değişebilir. Meme kanserinin tanımlanması, tespiti, tanınması ve öngörülmesi için gradyan artırma adı verilen takviye işleminin genel bir versiyonunu türetebiliriz.Anahtar Kelimeler: meme kanseri, sınıflandırma, makine öğrenmesi, veri madenciliği, gradyan artırma makinesi, tahmin tabanlı sistem

Breast Cancer is the most fatal diseases with high mortality rates, such as this one, survival prediction assumes an important role, since it aids clinicians to better define each patient's prognosis and the corresponding treatments to be attempted. In particular for breast cancer, prognosis is related to the patterns of prediction. Cancer Prediction describes cancer that reappears after treatment, and in the specific case of breast cancer, prediction is very common, being experienced by about one third of patients after initial diagnosis. Therefore, establishing the patterns of prediction is a crucial task to accurately predict the clinical behavior of this pathology. This enables a more personalized treatment for the patients, avoiding undesired overtreatment and adverse complications. Gradient Boosting is a powerful machine learning algorithm founded on the idea that combining the labels of many 'weak' classifiers or learners translates to a strong robust one to predict the breast cancer. Boosting is a greedy algorithm that fits adaptive models by sequentially adding these base learners to weighted data where difficult to classify points are weighted more heavily. Experts claim that gradient boosting is the best off-the-shelf classifier developed so far to detect and predict the Breast Cancer. As we can see from the above versions of boosting, a unique boosting algorithm can be derived for each loss function and its performance can vary depending on which base learner. We can derive a generic version of boosting called gradient boosting for the identification, detection, recognition and prediction of breast cancer.Keywords: breast cancer, classification, machine learning, data mining, gradient boosting machine, prediction based system