Um modelo de floresta aleatória para classificação do cancro da mama

Este livro destaca o desenvolvimento e a otimização de um modelo Random Forest (RF) para classificar o cancro da mama como benigno ou maligno utilizando o Wisconsin Breast Cancer Dataset. Após o pré-processamento de 569 amostras (357 benignas 212 malignas) um modelo RF padrão alcançou 9561% de precisão. Para melhorar os resultados foi aplicada a afinação de hiperparâmetros através da Pesquisa em Grelha ajustando parâmetros como o número de árvores (150) profundidade máxima (Nenhuma) divisão de amostras mínimas (2) folha de amostras mínimas (1) e semente aleatória (123). O modelo de RF optimizado alcançou 9912% de exatidão precisão recuperação e pontuação F1 superando outros métodos como SVM XGBoost e implementações anteriores de RF. Os resultados mostram uma redução de falsos negativos e ausência de falsos positivos indicando uma elevada sensibilidade e especificidade. O trabalho sublinha o valor da afinação meticulosa dos hiperparâmetros em aplicações de IA médica e sugere uma futura integração com redes neuronais e modelos híbridos para melhorar o desempenho no diagnóstico clínico do cancro da mama.