威斯康星州乳腺癌诊断数据集-诊断案例-时间未知
数据来源：互联网公开数据
标签：乳腺癌,诊断,医学,肿瘤,机器学习,特征,细胞核,UCI,疾病,健康
数据概述：
本数据集是威斯康星州乳腺癌诊断数据集，包含了乳腺肿块细针抽吸（FNA）图像的数字化特征。数据集提供了从细胞核图像中计算出的多个特征，用于区分乳腺癌的良性和恶性肿瘤。数据集中包含了来自357个良性病例和212个恶性病例的详细信息。
数据集包含了30个特征，这些特征是通过对每个细胞核的十个实数值特征进行计算得到的：
半径（从中心到周边点的距离的平均值）
纹理（灰度值的标准差）
周长
面积
平滑度（半径长度的局部变化）
紧凑度（周长^2 / 面积 - 1.0）
凹陷度（轮廓凹陷部分的严重程度）
凹点（轮廓凹陷部分的数量）
对称性
分形维度（“海岸线近似” - 1）
对每个图像计算了这些特征的均值、标准误差和“最差”或最大值（三个最大值的平均值），从而得到30个特征。例如，字段3是平均半径，字段13是半径标准误差，字段23是最差半径。
所有特征值都以四位有效数字进行编码。
数据用途概述：
该数据集适用于多种研究和应用场景，包括乳腺癌诊断、机器学习模型训练、肿瘤学研究等。研究人员可以使用该数据集开发和评估用于乳腺癌诊断的机器学习模型，从而提高诊断的准确性和效率。此外，该数据集也可用于探索乳腺癌的生物学特征，并深入了解肿瘤的性质。
