Vorhersage von Brustkrebs mittels Data Mining

Inhaltsverzeichnis

• Zusammenfassung
• Abstract
• Abbildungsverzeichnis
• Tabellenverzeichnis
• Einleitung und Fragestellung
• Hypothesen
• Theoretischer Hintergrund
• Brustkrebs
• Vorkommen
• Risikofaktoren
• Prävention
• Früherkennung
• Symptome
• Tumor-Klassifizierung
• Therapie
• Nebenwirkung der Behandlung
• Data Mining im Gesundheitssektor
• Data Mining Methoden
• Clustering
• Assoziationsanalyse
• Klassifikation
• Verwandte Studien
• Fazit Literaturrecherche
• Methodik
• Wisconsin Breast Cancer Datenset - WBCD
• Datenvorverarbeitung
• WBCD - Feature Selection
• Hyperparameter Tuning
• Standardisierung
• Ergebnisse der Analyse
• Ergebnisse KNN
• Ergebnisse Support Vector Machine
• Ergebnisse Entscheidungsbaum
• Diskussion der Ergebnisse
• Fazit
• Literaturverzeichnis

Zielsetzung und Themenschwerpunkte

Die vorliegende Bachelorarbeit befasst sich mit der Anwendung von Data Mining-Techniken zur Vorhersage von Brustkrebs. Das Ziel dieser Arbeit ist es, die Performance verschiedener Machine Learning-Algorithmen im Kontext der Brustkrebsvorhersage zu vergleichen. Die Arbeit analysiert das Wisconsin Breast Cancer Dataset und untersucht die Genauigkeit von KNN, Support Vector Machine und Entscheidungsbaum bei der Klassifizierung von Brustkrebstypen.

• Anwendungen von Data Mining im Gesundheitswesen
• Vorhersage von Brustkrebs mittels Machine Learning
• Vergleich der Leistung von KNN, Support Vector Machine und Entscheidungsbaum
• Datenvorverarbeitung und Feature Selection
• Hyperparameter-Tuning und Optimierung von Modellen

Zusammenfassung der Kapitel

Die Arbeit beginnt mit einer Einleitung, die die Relevanz von Brustkrebsvorhersage und Data Mining im Gesundheitswesen hervorhebt. Der theoretische Hintergrund umfasst eine detaillierte Beschreibung von Brustkrebs, seinen Risikofaktoren und der Bedeutung von Früherkennung. Es wird ein Überblick über Data Mining-Methoden, insbesondere Klassifikationsalgorithmen, gegeben, und relevante Forschungsarbeiten im Bereich der Brustkrebsvorhersage werden zusammengefasst. Die Methodik beschreibt die verwendeten Daten, die Vorverarbeitungsschritte, die Feature Selection und das Hyperparameter-Tuning der Modelle. Die Ergebnisse der Analyse werden für jeden Algorithmus präsentiert und diskutiert. Schließlich wird die Arbeit mit einem Fazit abgeschlossen, das die wichtigsten Ergebnisse und Schlussfolgerungen zusammenfasst.

Schlüsselwörter

Brustkrebs, Data Mining, Machine Learning, Klassifikation, KNN, Support Vector Machine, Entscheidungsbaum, Wisconsin Breast Cancer Dataset, Feature Selection, Hyperparameter Tuning, Genauigkeit, Mortalitätsrate, Früherkennung, Gesundheitswesen.