Breast Cancer Prediction using Stacking Models & Hyperparameter Tuning

Rahul Karmakar

doi:10.4114/intartif.vol28iss76pp149-165

Breast Cancer Prediction using Stacking Models & Hyperparameter Tuning

2025-12-01

1

OA

AI

DOI：10.4114/intartif.vol28iss76pp149-165

原文链接

原文求助

摘要

En 中文

本文探讨了堆叠模型在乳腺癌检测中的应用，整合了数据平衡、超参数调优和特征选择等关键技术。我们实现了五种不同的堆叠配置。最初，使用逻辑回归（LR）作为元分类器，而基估计器包括决策树（DT）、支持向量机（SVM）、K近邻（KNN）和随机森林（RF）分类器。在第二种配置中，我们调换了角色：DT作为元分类器，SVM、KNN、RF和LR作为基估计器。在第三种设置中，SVM被用作元分类器，DT、LR、KNN和RF作为基学习器。第四种配置中，我们使用KNN作为堆叠分类器，LR、DT、SVM和RF作为基估计器。最后，在第五种配置中，RF是元分类器，由LR、DT、KNN和SVM作为基学习器支持。堆叠模型的评估分为五个阶段进行，首先是不做任何调整的基线评估，随后单独应用数据平衡，接着添加超参数调优，应用卡方特征选择与数据平衡结合，最后使用基于相关性的特征选择与数据平衡结合，所有阶段均系统性地排除某些元素以分析其单独影响。在所有情况下，使用LR的堆叠模型表现最佳，准确率达到97.63%，精确率为97.68%，召回率为97.63%，F测度为97.63%，展示了其卓越的可靠性和均衡的有效性。所有模型均采用10折交叉验证进行评估。

Keyword:

Breast Cancer

Feature Selection

Hyperparameter Tuning

Cross Validation

Breast Cancer Prediction using Stacking Models & Hyperparameter Tuning

摘要

期刊

机构

引用论文