Breast_cancer_recognition.zip_breast matlab_breast-cancer-data_

function [Arbol correcto2] = CancerDiagnosis() % Wisconsin Diagnostic Breast Cancer (WDBC) % Creamos un clasificador de celulas cancerosas basandonos en las % caracteristicas extraidas de imagenes de las muestras. El significado de % cada una esta explicado a continuacion. % % % % 1) ID number % 2) Diagnosis (M = malignant, B = benign) % 3-32) % % Ten real-valued features are computed for each cell nucleus: % % a) radius (mean of distances from center to points on the perimeter) % b) texture (standard deviation of gray-scale values) % c) perimeter % d) area % e) smoothness (local variation in radius lengths) % f) compactness (perimeter^2 / area - 1.0) % g) concavity (severity of concave portions of the contour) % h) concave points (number of concave portions of the contour) % i) symmetry % j) fractal dimension ("coastline approximation" - 1) % % % % % close all %leemos el archivo y lo guardamos en una matriz matrix = dlmread2('wdbc.data', ','); x = []; y = []; pos=[]; neg=[]; Arbolaux=zeros(30,1)'; percent= [1:20:size(matrix,1)]; correcto2=0; for i= percent c = cvpartition(size(matrix,1),'holdout',i); %%Seleccionaremos el conjunto de training y el de test !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! idtest=test(c); idtrain = training(c); testmat= matrix(idtest,:); % Conjunto de muestras para test trainmat=matrix(idtrain,:); %Conjunto de muestras para training %Identificadores de clases cancertest= char(testmat(:,2)); cancertrain = char(trainmat(:,2)); %Identificadores de casos idtrain=str2double(trainmat(:,1)); idtest=str2double(testmat(:,1)); trainmat = [single(str2double(trainmat(:,3:end)))] ; % Nos quedamos con las caracteristicas testmat=[single(str2double(testmat(:,3:end)))]; Arbol={}; taux={}; Arbol =arbol_training(trainmat,Arbol,cancertrain,taux); x = [x length(cancertrain)]; display('--------------------------------------------------------------') [Correcto falso_pos falso_neg]= Validacion(testmat,Arbol,cancertest,idtest); display('--------------------------------------------------------------') y = [y Correcto]; pos=[pos falso_pos]; neg=[neg falso_neg]; if(Correcto > correcto2 && Correcto~=100) Arbolaux=Arbol; correcto2=Correcto; end end % para cada columna, calculamos su entropia y la guardamos en el vector hold on; axis([1 size(matrix,1)+10 0 101]) xlabel('Tamany conjunt aprenentatge') ylabel('Percentatge classificacio correcta') plot(x,y,'b'); plot(x,pos,'--r'); plot(x,neg,'--k'); legend('Aprenentatge','Falsos positius','Falsos Negatius') hold off; Arbol=Arbolaux; end % para cada columna, calculamos su entropia y la guardamos en el vector % vGanancia function [I valor]= Mayor_ganancia(trainmat,cancer) entropia = calcular_entropia(cancer) ; % calculamos la entropia del sistema vGanancia = []; vc=[]; for i=1:size(trainmat,2) [ganancia c] = calcularGanancia(trainmat,cancer,entropia,i); vGanancia = [vGanancia ganancia]; vc = [vc c]; end [maxim I]=max(vGanancia); valor =vc(I); end function [entropia] = calcular_entropia(cancer) % Contar palabras, solo que aqui contamos las veces que % aparece M o B y luego aplicamos la formula para calcular la entropia del % sistema pos=length(find(cancer =='B')); neg=length(cancer)-pos; tamany=length(cancer); entropia = -1*(pos/tamany)*log2(pos/tamany) - (neg/tamany)* ... log2(neg/tamany); end function [Arbol taux] = arbol_training(trainmat,Arbol,cancer,taux) % Funcion recursiva que nos construye el arbol de decision. Para cada paso mirara % cual es el atributo que aporta mayor ganancia, y dentro de este agrupara % los valores continuos para definir n conjuntos % % La siguiente iteracion estara formada por las muestras que tienen el atributo con mayor % ganancia de forma que el conjuto se decrementa en cada paso. % % trainmat: Matriz de training con las caracteristicas % Arbol: Arbol final que retornara la funcion. Inicialmente se le pasa vacio {} % cancer: Vector que nos indica si es o no cancerosa cada muestra de nuestro conjunto. Tambien se % va actualizando para mantener solo los casos que nos interesan % taux: Arbol auxiliar que nos permitira concatenar mas adelante todo el arbol de decision. % [I valor]=Mayor_ganancia(trainmat,cancer); %Buscamos la columna (caracteristica) que aporta mayor ganancia % S(1); % S(2); taux2=taux; for rama=1:2 %Repetiremos para mirar las dos vias de cada nodo (mayores o menores) taux=taux2; if rama ==1 %Miraremos los casos mayores que el valor frontera % % ---------------------- Buscamos los mayores y los metemos en el arbol ----------------------- filesMayor=find(trainmat(:,I)>=valor); taux{length(taux)+1}=[[I,valor],1]; %El nodo contendra la columna, el valor, y un numero que indica que se trata de la rama mayor que el valor newtrain=trainmat(filesMayor,:); %Actualizamos nuestro conjunto newcancer=cancer(filesMayor); %Actualizamos el conjunto de canceroso % ---------------------- Buscamos los menores y los metemos en el arbol ----------------------- else filesMenor=find(trainmat(:,I)<valor); taux{length(taux)+1}=[[I,valor],-1]; %El nodo contendra la columna, el valor, y un numero que indica que se trata de la rama menor que el valor newtrain=trainmat(filesMenor,:); %Actualizamos nuestro conjunto newcancer=cancer(filesMenor); %Actualizamos el conjunto de canceroso end final=unique(newcancer); % Miramos ahora si todos los casos son positivos % o todos negativos, si no es asi, % continuaremos con la recursividad if (length(final)==1) taux{length(taux)+1}=final; %Si todos son positivos o negativos ponemos el valor % en el arbol para que se sepa que % se ha terminado esa rama Arbol{length(Arbol)+1}=taux; else Arbol=arbol_training(newtrain,Arbol,newcancer,taux); end end end function [be]=Evaluar(test,Arbol) %Funcion que evalua una muestra del conjunto de Test. Para cada %caracteristica del Arbol aprendido, mirara si podemos hacer un matching %con los nodos. Si no es posible, retornaremos Invalido. Correcto=0; for i=1:length(Arbol) %Recorremos el Arbol valido=1; for j=1:length(Arbol{i})-1 %Recorremos la rama if (Arbol{i}{j}(3)==1) % Si el valor nos indica que es la rama de los mayores if(test(Arbol{i}{j}(1)) < Arbol{i}{j}(2)) valido=0; %Miraremos si podemos continuar evaluando en esta rama, esto es, break % que los valores se encuentren dentro del conjunto que representa esta via. end else if (test(Arbol{i}{j}(1)) > Arbol{i}{j}(2))