[ML] Dataset: Wisconsin Breast Cancer Dataset

Wisconsin Breast Cancer Dataset (WBCD)은
오늘날 Machine Learning 및 Data Science 분야에서
binary classification 교육용으로 자주 사용되는 Dataset임.

 

Wisconsin 대학의 병리학자인 Dr. William H. Wolberg가 수집한 dataset이며 다음의 사이트를 통해 다운로드 가능함.

https://archive.ics.uci.edu/dataset/17/breast+cancer+wisconsin+diagnostic

 

하지만, scikit learn 등에서 기본 dataset으로 구할 수 있기 때문에 굳이 위의 사이트를 사용할 필요는 없음.

다음의 code snippet의 형태로 손쉽게 사용가능함.

from sklearn.datasets import load_breast_cancer

cancer = load_breast_cancer()

• 위와 같이 얻어진 cancer는 scikit learn에서 사용되는 dataset 클래스인 Bunch의 인스턴스임.

---

이를 다음과 같은 방식으로 Pandas의 DataFrame의 인스턴스로 쉽게 변환가능함.

import pandas as pd

# input feature vector를 DataFrame 인스턴스로
df = pd.DataFrame(cancer.data, columns=cancer.feature_names)

# target column을 추가.
df['label'] = data.target

---

특징

해당 Dataset은 Breast Cancer Cell Sample에 대한
세포핵의 특성을 기반으로 구성되어 있음.

input vector들은 각 셀 핵의 크기, 모양, 질감 등 다양한 측정 값($10\times 3$)을 포함하고 있음.

• 이러한 측정값은 이미지 처리 기술을 통해 얻어진 것임.
• 10개의 feature에 대한 3 가지 값으로 mean 과 표준오차(se)와 극한값 평균(worst) 으로 구성되어 총 30개의 feature를 가짐.
• target 값은 악성(malignant) 또는 양성(benign)으로, 0과 1의 값을 가짐.

구성하고 있는 10개의 feature 는 다음과 같음:

1. 반지름(Radius): 종양 셀 핵의 평균 반지름.
2. 질감(Texture): 셀 핵의 표면 질감의 표준 편차.
3. 주변(Perimeter): 셀 핵의 둘레 길이.
4. 영역(Area): 셀 핵의 면적.
5. 매끄러움(Smoothness): 셀 핵 표면의 매끄러움 측정값.
6. 콤팩트함(Compactness): 셀 핵의 모양이 얼마나 균일한지에 대한 측정.
7. 오목함(Concavity): 셀 핵 표면에 오목한 부분의 정도.
8. 오목한 점의 수(Concave points): 셀 핵 표면에 있는 오목한 부분의 개수.
9. 대칭(Symmetry)
10. 프랙탈 차원(Fractal dimension): 셀 핵의 프랙탈 차원.

이 Dataset은 Machine Learning Model에서 binary classification에 대해 공부할 때

예제 데이터로 자주 사용된다.

scikit learn의 Bunch 객체에서 DESCR property를 IPython의 display 함수를 이용해 출력하면

해당 데이터에 대한 자세한 소개와 설명이 나오니 참고할 것.

from IPython import display
display.Markdown(cancer.DESCR)

---

같이 읽어보면 좋은 자료들

2024.04.18 - [Python] - [DL] Boston Housing Price

[DL] Boston Housing Price