Bu proje, XGBoost makine öğrenmesi algoritması kullanılarak meme kanseri tümörlerinin
iyi huylu (benign) veya kötü huylu (malignant) olarak sınıflandırılmasını amaçlamaktadır.

Çalışma, Python dili kullanılarak veri ön işleme, model eğitimi, değerlendirme ve görselleştirme adımlarını içeren uçtan uca bir makine öğrenmesi süreci sunmaktadır.

Bu proje,
Mehmet Akif Ersoy Üniversitesi – Bilişim Sistemleri ve Teknolojileri Bölümü
öğrencileri tarafından akademik çalışma kapsamında gerçekleştirilmiştir.

Wisconsin Meme Kanseri Veri Seti

• 699 örnek
• 10 öznitelik (9 giriş + 1 hedef değişken)
• Hedef değişken:
  • 2 → İyi huylu (0)
  • 4 → Kötü huylu (1)

• Yumak Kalınlığı
• Hücre Boyutu Tutarlılığı
• Hücre Şekli Tutarlılığı
• Kenar Yapışkanlığı
• Tek Epitel Hücresi Boyutu
• Çıplak Çekirdekler
• Donuk Kromatin
• Normal Çekirdekçikler
• Mitoz Sayısı

• Veri yükleme ve keşif
• Eksik verilerin işlenmesi
• Özellik dönüştürme
• XGBoost ile model eğitimi
• Performans değerlendirme
• Görselleştirme

• Doğruluk (Accuracy)
• Kesinlik (Precision)
• Duyarlılık (Recall)
• F1-Skoru
• Karmaşıklık Matrisi
  

  🙏 Teşekkürler

  • University of Wisconsin Hospitals – veri seti
  • XGBoost, scikit-learn, matplotlib, seaborn geliştiricileri