威斯康星乳腺癌数据库 （Wisconsin Breast Cancer Database）分类分析python代码

威斯康星乳腺癌数据库（Wisconsin Breast Cancer Database, WBCD）是一个广泛用于机器学习的医学数据集，它包含了关于乳腺癌肿块的特征信息，这些数据可用于构建分类器来预测肿瘤的良恶性。

以下是使用Python进行WBCD数据集分类分析的一个简单示例。在这个示例中，我们将使用scikit-learn库来导入数据、进行数据预处理、建立分类模型，并评估模型的性能。

首先，确保安装了必要的库：

pip install numpy pandas scikit-learn matplotlib

然后，编写Python代码：

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report, accuracy_score

# 加载数据集
data = datasets.load_breast_cancer()
X = data.data
y = data.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 建立SVM分类器
clf = SVC(kernel='linear')
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 输出分类报告和准确率
print(classification_report(y_test, y_pred))
print('Accuracy:', accuracy_score(y_test, y_pred))

这段代码首先加载了WBCD数据集，然后将其分为训练集和测试集。接着对数据进行标准化处理，以便更好地配合SVM分类器。之后，训练了一个线性核的SVM模型，并在测试集上进行预测，最后输出了分类报告和准确率。