README

Przewidywanie Diagnozy Nowotworowej za Pomocą Sieci Neuronowych

Przegląd

Implemetacja modelu sieci neuronowej do przewidywania diagnozy nowotworowej na podstawie cech wejściowych. Model jest trenowany przy użyciu zbioru danych cancer.csv, gdzie każdy wiersz reprezentuje pacjenta z różnymi cechami związanymi z diagnozą nowotworu.

Architektura Modelu

Model sieci neuronowej używany w tym kodzie składa się z:

• Warstwy wejściowej z 30 cechami
• Dwóch warstw ukrytych, każda z 8 neuronami
• Warstwy wyjściowej z 2 neuronami (do klasyfikacji binarnej: złośliwy lub łagodny)

Użyte Biblioteki

• torch i torch.nn: Do budowania i trenowania modeli sieci neuronowej.
• pandas: Do manipulacji i przetwarzania danych.
• sklearn.model_selection: Do podziału zestawu danych na zestawy treningowy i testowy.
• matplotlib.pyplot: Do wizualizacji postępów w treningu.

Trening Modelu

• Funkcja Straty: CrossEntropyLoss
• Optymalizator: Optymalizator Adam z współczynnikiem uczenia 0.001
• Epoki: 5000

Podczas treningu monitorowane są strata i dokładność modelu w kolejnych epokach, aby ocenić jego wydajność.

Analiza Wyników

Po treningu wydajność modelu jest oceniana na zbiorze testowym. Obliczana jest osiągnięta dokładność, a dokonywane są również pojedyncze predykcje na zbiorze testowym, aby ustalić, ile z nich było poprawnych.

Dołączone Pliki

• cancer.csv: Zbiór danych zawierający informacje o pacjentach i etykietach diagnozy.