Анализ датасета Breast Cancer - Отчет

Информация о рецензируемых работах

Проект: Exploratory Data Analysis (EDA) датасета рака груди
Тип анализа: Бинарная классификация медицинских данных
Область: Медицинская аналитика, машинное обучение

GitVerse профили

Профили участников проекта будут указаны здесь

Информация о студенте

ФИО: Попов Кирилл Александрович
Группа: ри-150922/1 Номер задания: 9

Описание задания

Что нужно анализировать

Провести полный exploratory data analysis (EDA) датасета Breast Cancer Wisconsin, включая:

• Загрузку и предобработку данных о диагностике рака груди
• Статистический анализ целевой переменной (диагноза)
• Исследование признаков опухолей (30 различных характеристик)
• Визуализацию распределений и взаимосвязей
• Корреляционный анализ между признаками и диагнозом

Цель: Выявить ключевые закономерности в данных для последующего построения моделей классификации.

Выполненные работы

1. Загрузка данных (

load_data()

)

• Загрузка датасета из scikit-learn
• Преобразование в pandas DataFrame
• Конвертация числовых меток в читаемые значения:
  • 0 → 'malignant' (злокачественная)
  • 1 → 'benign' (доброкачественная)

2. Анализ целевой переменной (

target_analysis()

)

• Подсчет распределения диагнозов
• Расчет процентного соотношения
• Статистика по типам опухолей

3. Анализ признаков (

feature_statistics()

)

• Для первых 3 признаков вычисляются:
  • Среднее значение
  • Стандартное отклонение
  • Минимальное и максимальное значения
  • Медиана

4. Визуализация

visualize_target()

- распределение диагнозов

• Столбчатая диаграмма с количеством случаев
• Круговая диаграмма с процентным соотношением
• Файл:
  04_cancer_target_distribution.png

visualize_features()

- распределение признаков

• Гистограммы первых 6 признаков
• Сетка 3×2 для сравнения распределений
• Файл:
  04_cancer_features_distribution.png

features_by_diagnosis()

- сравнение по диагнозам

• Boxplot'ы признаков, сгруппированные по типу опухоли
• Визуальное сравнение распределений
• Файл:
  04_cancer_features_by_diagnosis.png

correlation_analysis()

- анализ корреляций

• Топ-10 признаков с наибольшей корреляцией с диагнозом
• Горизонтальная барчарта топ-15 корреляций
• Цветовая кодировка (красный - отрицательная, зеленый - положительная)
• Файл:
  04_cancer_correlation_top.png

Статистика

Таблица с метриками

Ключевые числа

• Размер датасета: 569 × 31 (30 признаков + целевая переменная)
• Баланс классов: 62.7% benign / 37.3% malignant
• Типы признаков: Все числовые (mean, standard error, worst)
• Основные категории признаков:
  • radius (радиус)
  • texture (текстура)
  • perimeter (периметр)
  • area (площадь)
  • smoothness (гладкость)
  • compactness (компактность)
  • concavity (вогнутость)
  • symmetry (симметричность)
  • fractal dimension (фрактальная размерность)

Ключевые находки

1. Сбалансированность данных - соотношение классов 63/37 позволяет строить качественные модели без серьезного дисбаланса

2. Высокая информативность признаков - многие характеристики показывают значительную корреляцию с диагнозом

3. Визуальные различия - boxplot'ы демонстрируют четкие различия в распределениях признаков между benign и malignant случаями

4. Многомерность данных - 30 различных характеристик предоставляют богатую основу для feature engineering

Выводы из анализа

1. Диагностическая ценность - данные содержат четкие паттерны, позволяющие различать типы опухолей

2. Потенциал для ML - высокие корреляции и визуальные различия указывают на возможность построения точных моделей классификации

3. Клиническая значимость - анализ подтверждает, что количественные характеристики опухолей являются важными диагностическими маркерами

4. Направления развития - выявленные наиболее коррелирующие признаки могут быть использованы для feature selection в ML pipeline

Файлы

Созданные файлы:

• assignment.py
  - основной код анализа
• 04_cancer_target_distribution.png
  - распределение диагнозов
• 04_cancer_features_distribution.png
  - гистограммы признаков
• 04_cancer_features_by_diagnosis.png
  - boxplot'ы по диагнозам
• 04_cancer_correlation_top.png
  - топ корреляций
• README.md
  - документация проекта
• test.py
  - unit-tests

Удалённые файлы:

Нет удаленных файлов в рамках данного задания

Вспомогательные файлы (рекомендуемые):

• requirements.txt
  - зависимости проекта
• test_analysis.py
  - unit-тесты
• environment.yml
  - конфигурация окружения

---

Статус выполнения: ✅ Задание завершено