Python ile Meme Kanseri Tespiti
Merhabalar, bugünün medium makalesinde Python ile Meme Kanserini nasıl tespit edebileceğimizi öğreneceğiz. Hazırsanız başlayalım 🚀
1- Gerekli Kütüphanelerin Kurulumu
Çalışmamıza başlamadan önce birkaç tane kütüphaneyi kurmamız gerekiyor:
- Numpy: Çok boyutlu diziler ve matrisler ile çalışmasını sağlayan ve bilimsel hesaplamaları hızlı bir şekilde yapabilen bir matematik kütüphanesidir.
- Pandas: Veri analizi ve manipülasyonu için kullanılan yüksek seviyeli veri yapıları ve veri analiz araçları sunan bir kütüphanedir.
- Matplotlib: Verileri görselleştirmek için kullanılan bir kütüphanedir.
- Scikit-learn: Makine öğrenmesi algoritmalarını geliştirmek ve uygulamak için kullanılan bir kütüphanedir.
- Seaborn: Matplotlib kütüphanesi üzerine kurulu, istatistiksel grafikler oluşturmayı kolaylaştıran bir kütüphanedir.
Hızlı bir şekilde kurulum için aşağıdaki komutu kullanabilirsiniz:
python3 -m pip install numpy pandas matplotlib scikit-learn seaborn2- Kütüphanelerin Projeye Import Edilmesi
Kurduğumuz kütüphaneleri aşağıdaki gibi projemize import edebilirsiniz:
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt3- Meme Kanseri için Veri Hazırlama ve İnceleme
İlk olarak ‘scikit-learn’ kütüphanesinden ‘load_breast_cancer()’ fonksiyonunu kullanarak, projede kullanacağımız meme kanseri veri setini yükleyelim. Bu fonksiyon, veri seti içerisinde bir Brunch nesnesi döndürür.
data = load_breast_cancer()Oluşturduğumuz bu verinin sırası ile tüm özelliklerini, anahtarlarını, meme kanseri hücre özelliklerini ve hedef değişkenlerini çıktı olarak alalım:
print(data){'data': array([[1.799e+01, 1.038e+01, 1.228e+02, ..., 2.654e-01, 4.601e-01,
1.189e-01],
[2.057e+01, 1.777e+01, 1.329e+02, ..., 1.860e-01, 2.750e-01,
8.902e-02],
[1.969e+01, 2.125e+01, 1.300e+02, ..., 2.430e-01, 3.613e-01,
8.758e-02],
...,
[1.660e+01, 2.808e+01, 1.083e+02, ..., 1.418e-01, 2.218e-01,
7.820e-02],
[2.060e+01, 2.933e+01, 1.401e+02, ..., 2.650e-01, 4.087e-01,
1.240e-01],
[7.760e+00, 2.454e+01, 4.792e+01, ..., 0.000e+00, 2.871e-01,
7.039e-02]]), 'target': array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0,
0, 0, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 0, 1, 0, 0,
1, 1, 1, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0,
1, 1, 1, 0, 1, 1, 0, 0, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 0, 1,
1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 1, 0,
0, 1, 0, 0, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1,
1, 1, 0, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 1,
1, 0, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 0, 0,
0, 0, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0,
1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1, 1, 0, 0, 1, 0, 1, 1,
1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 1, 0, 1, 0, 0, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0, 0,
0, 1, 1, 1, 1, 0, 1, 0, 1, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 0,
0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0,
1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 1,
1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 0, 1, 1, 1, 1,
1, 0, 1, 1, 0, 1, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0,
1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1,
1, 1, 1, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1,
1, 1, 1, 0, 1, 1, 0, 1, 0, 1, 0, 0, 1, 1, 1, 0, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1]), 'frame': None, 'target_names': array(['malignant', 'benign'], dtype='<U9'), 'DESCR': '.. _breast_cancer_dataset:\n\nBreast cancer wisconsin (diagnostic) dataset\n--------------------------------------------\n\n**Data Set Characteristics:**\n\n :Number of Instances: 569\n\n :Number of Attributes: 30 numeric, predictive attributes and the class\n\n :Attribute Information:\n - radius (mean of distances from center to points on the perimeter)\n - texture (standard deviation of gray-scale values)\n - perimeter\n - area\n - smoothness (local variation in radius lengths)\n - compactness (perimeter^2 / area - 1.0)\n - concavity (severity of concave portions of the contour)\n - concave points (number of concave portions of the contour)\n - symmetry\n - fractal dimension ("coastline approximation" - 1)\n\n The mean, standard error, and "worst" or largest (mean of the three\n worst/largest values) of these features were computed for each image,\n resulting in 30 features. For instance, field 0 is Mean Radius, field\n 10 is Radius SE, field 20 is Worst Radius.\n\n - class:\n - WDBC-Malignant\n - WDBC-Benign\n\n :Summary Statistics:\n\n ===================================== ====== ======\n Min Max\n ===================================== ====== ======\n radius (mean): 6.981 28.11\n texture (mean): 9.71 39.28\n perimeter (mean): 43.79 188.5\n area (mean): 143.5 2501.0\n smoothness (mean): 0.053 0.163\n compactness (mean): 0.019 0.345\n concavity (mean): 0.0 0.427\n concave points (mean): 0.0 0.201\n symmetry (mean): 0.106 0.304\n fractal dimension (mean): 0.05 0.097\n radius (standard error): 0.112 2.873\n texture (standard error): 0.36 4.885\n perimeter (standard error): 0.757 21.98\n area (standard error): 6.802 542.2\n smoothness (standard error): 0.002 0.031\n compactness (standard error): 0.002 0.135\n concavity (standard error): 0.0 0.396\n concave points (standard error): 0.0 0.053\n symmetry (standard error): 0.008 0.079\n fractal dimension (standard error): 0.001 0.03\n radius (worst): 7.93 36.04\n texture (worst): 12.02 49.54\n perimeter (worst): 50.41 251.2\n area (worst): 185.2 4254.0\n smoothness (worst): 0.071 0.223\n compactness (worst): 0.027 1.058\n concavity (worst): 0.0 1.252\n concave points (worst): 0.0 0.291\n symmetry (worst): 0.156 0.664\n fractal dimension (worst): 0.055 0.208\n ===================================== ====== ======\n\n :Missing Attribute Values: None\n\n :Class Distribution: 212 - Malignant, 357 - Benign\n\n :Creator: Dr. William H. Wolberg, W. Nick Street, Olvi L. Mangasarian\n\n :Donor: Nick Street\n\n :Date: November, 1995\n\nThis is a copy of UCI ML Breast Cancer Wisconsin (Diagnostic) datasets.\nhttps://goo.gl/U2Uwz2\n\nFeatures are computed from a digitized image of a fine needle\naspirate (FNA) of a breast mass. They describe\ncharacteristics of the cell nuclei present in the image.\n\nSeparating plane described above was obtained using\nMultisurface Method-Tree (MSM-T) [K. P. Bennett, "Decision Tree\nConstruction Via Linear Programming." Proceedings of the 4th\nMidwest Artificial Intelligence and Cognitive Science Society,\npp. 97-101, 1992], a classification method which uses linear\nprogramming to construct a decision tree. Relevant features\nwere selected using an exhaustive search in the space of 1-4\nfeatures and 1-3 separating planes.\n\nThe actual linear program used to obtain the separating plane\nin the 3-dimensional space is that described in:\n[K. P. Bennett and O. L. Mangasarian: "Robust Linear\nProgramming Discrimination of Two Linearly Inseparable Sets",\nOptimization Methods and Software 1, 1992, 23-34].\n\nThis database is also available through the UW CS ftp server:\n\nftp ftp.cs.wisc.edu\ncd math-prog/cpo-dataset/machine-learn/WDBC/\n\n.. topic:: References\n\n - W.N. Street, W.H. Wolberg and O.L. Mangasarian. Nuclear feature extraction \n for breast tumor diagnosis. IS&T/SPIE 1993 International Symposium on \n Electronic Imaging: Science and Technology, volume 1905, pages 861-870,\n San Jose, CA, 1993.\n - O.L. Mangasarian, W.N. Street and W.H. Wolberg. Breast cancer diagnosis and \n prognosis via linear programming. Operations Research, 43(4), pages 570-577, \n July-August 1995.\n - W.H. Wolberg, W.N. Street, and O.L. Mangasarian. Machine learning techniques\n to diagnose breast cancer from fine-needle aspirates. Cancer Letters 77 (1994) \n 163-171.', 'feature_names': array(['mean radius', 'mean texture', 'mean perimeter', 'mean area',
'mean smoothness', 'mean compactness', 'mean concavity',
'mean concave points', 'mean symmetry', 'mean fractal dimension',
'radius error', 'texture error', 'perimeter error', 'area error',
'smoothness error', 'compactness error', 'concavity error',
'concave points error', 'symmetry error',
'fractal dimension error', 'worst radius', 'worst texture',
'worst perimeter', 'worst area', 'worst smoothness',
'worst compactness', 'worst concavity', 'worst concave points',
'worst symmetry', 'worst fractal dimension'], dtype='<U23'), 'filename': 'breast_cancer.csv', 'data_module': 'sklearn.datasets.data'}print(data.keys())dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module'])print(data['features_names'])['mean radius' 'mean texture' 'mean perimeter' 'mean area'
'mean smoothness' 'mean compactness' 'mean concavity'
'mean concave points' 'mean symmetry' 'mean fractal dimension'
'radius error' 'texture error' 'perimeter error' 'area error'
'smoothness error' 'compactness error' 'concavity error'
'concave points error' 'symmetry error' 'fractal dimension error'
'worst radius' 'worst texture' 'worst perimeter' 'worst area'
'worst smoothness' 'worst compactness' 'worst concavity'
'worst concave points' 'worst symmetry' 'worst fractal dimension']print(data['target_names'])['malignant' 'benign']
4- Model Oluşturma ve Değerlendirme
Veri hazırlama adımından sonra model oluşturarak, bu model üzerinden değerlendirme yapacağız İlk olarak X ve y değişkenleri oluşturarak, X değişkenine hücreye ait tüm özellikleri; y değişkenine ise ‘target’ yani sınıf etiketi özelliğini atayalım:
X = data['data']
y = data['target']Sonrasında sırasıyla eğitim ve testler için kullanılacak X ve y değişkenlerini tanımlayalım:
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.2, random_state=10)Aynı zamanda yukarıda, ‘test_size=0.2’ parametresi ile test kümesine ait toplam verinin %20'sini oluşturacağını ve ‘random_state=10’ parametresi ise farklı denemelerde veri bölme işlemlerinin aynı sonucu vermesini sağlayarak daha kolay karşılaştırma yapılmasını sağlar.
Şimdi ise KNN sınıflandırıcı modeli oluşturacağız. Bu model ile, yeni bir veri seti noktasını sınıflandırmasını için ona en yakın k komşunun sınıfına göre karar vermesini sağlar:
clf = KNeighborsClassifier()Daha sonra, clf modelini eğitim verisi ile eğitiyoruz. Kullandığımız ‘fit’ fonksiyonu ile eğitim verisindeki örneklere ve sınıflarına göre öğrenmesini sağlıyoruz:
clf.fit(X_train, y_train)Şimdi ise eğitim verisi üzerinden geliştirdiğimiz modelin başarı oranını bakacağız. Onun için de ‘score’ fonksiyonunu kullanmamız yeterli olacaktır.
print(clf.score(X_train, y_train))0.9494505494505494 #başarı oranını temsil etmektedir.5- Veri Noktası Oluşturma ve Veri Seti Boyutunu Bulma
İlk olarak 0 ile 49 değerleri arasında random olarak seçilmiş ve 30 eleman içeren Numpy dizisi oluşturalım. Bu dizi, veri noktasını ifade edecektir:
X_new = np.array(random.sample(range(0,50),30))Oluşturmuş olduğumuz bu veri noktası, hangi sınıfı tahmin ettiğini ve bu sınıfın veri setindeki karşılık gelen özellikleri yazdıralım:
print(data['feature_names'][clf.predict([X_new])[0]])mean texture Şimdi ise veri setinin boyutunu öğrenelim:
print(len(data['feature_names']))306- Veri Setini Analiz için Hazırlama
İlk olarak ‘data’ içerisindeki bütün hücre özelliklerini içeren diziyi ve sınıf etiketlerini içeren diziyi birleştirerek, tek bir dizi haline getirelim:
col_data = np.concatenate([data['data'],data['target'][:, None]], axis=1)- axis=1 komutu ile diziler yanyana birleştirilmiş olur.
Şimdi ise ‘data’ ve sınıf bilgisini temsil eden ‘class’ dizilerini birleştirelim:
col_names = np.concatenate([data['feature_names'] , ["class"]])DataFrame yapısını kullanarak, oluşturduğumuz yeni diziler için bir veri çerçevesi oluşturalım:
df = pd.DataFrame(col_data, columns=col_names)Şimdi ise oluşturduğumuz değerlere sırasıyla bakalım. İlk olarak birleştirdiğimiz veri dizisinin yeni haline bakalım:
print(col_data)[[1.799e+01 1.038e+01 1.228e+02 ... 4.601e-01 1.189e-01 0.000e+00]
[2.057e+01 1.777e+01 1.329e+02 ... 2.750e-01 8.902e-02 0.000e+00]
[1.969e+01 2.125e+01 1.300e+02 ... 3.613e-01 8.758e-02 0.000e+00]
...
[1.660e+01 2.808e+01 1.083e+02 ... 2.218e-01 7.820e-02 0.000e+00]
[2.060e+01 2.933e+01 1.401e+02 ... 4.087e-01 1.240e-01 0.000e+00]
[7.760e+00 2.454e+01 4.792e+01 ... 2.871e-01 7.039e-02 1.000e+00]]Veri seti için oluşturduğumuz çerçeveye bakalım:
print(df) mean radius mean texture ... worst fractal dimension class
0 17.99 10.38 ... 0.11890 0.0
1 20.57 17.77 ... 0.08902 0.0
2 19.69 21.25 ... 0.08758 0.0
3 11.42 20.38 ... 0.17300 0.0
4 20.29 14.34 ... 0.07678 0.0
.. ... ... ... ... ...
564 21.56 22.39 ... 0.07115 0.0
565 20.13 28.25 ... 0.06637 0.0
566 16.60 28.08 ... 0.07820 0.0
567 20.60 29.33 ... 0.12400 0.0
568 7.76 24.54 ... 0.07039 1.0df içerisindeki tüm numerik sütunlar için korelasyon matrisi hesaplayarak, bunu ekrana yazdıralım:
print(df.corr()) mean radius ... class
mean radius 1.000000 ... -0.730029
mean texture 0.323782 ... -0.415185
mean perimeter 0.997855 ... -0.742636
mean area 0.987357 ... -0.708984
mean smoothness 0.170581 ... -0.358560
mean compactness 0.506124 ... -0.596534
mean concavity 0.676764 ... -0.696360
mean concave points 0.822529 ... -0.776614
mean symmetry 0.147741 ... -0.330499
mean fractal dimension -0.311631 ... 0.012838
radius error 0.679090 ... -0.567134
texture error -0.097317 ... 0.008303
perimeter error 0.674172 ... -0.556141
area error 0.735864 ... -0.548236
smoothness error -0.222600 ... 0.067016
compactness error 0.206000 ... -0.292999
concavity error 0.194204 ... -0.253730
concave points error 0.376169 ... -0.408042
symmetry error -0.104321 ... 0.006522
fractal dimension error -0.042641 ... -0.077972
worst radius 0.969539 ... -0.776454
worst texture 0.297008 ... -0.456903
worst perimeter 0.965137 ... -0.782914
worst area 0.941082 ... -0.733825
worst smoothness 0.119616 ... -0.421465
worst compactness 0.413463 ... -0.590998
worst concavity 0.526911 ... -0.659610
worst concave points 0.744214 ... -0.793566
worst symmetry 0.163953 ... -0.416294
worst fractal dimension 0.007066 ... -0.323872
class -0.730029 ... 1.000000
[31 rows x 31 columns]Korelasyon Matrisi Nedir? Her bir özellik (yani sütun) arasındaki ilişkileri, katsayı değerleriyle gösterir. Bu katsayılar genellikle -1 ile +1 arasında değişen değerlere sahip olmaktadır. Eğer değer -1'e yakınsa, güçlü negatif ilişkiyi; 1'e yakın ise güçlü pozitif ilişkiyi gösterir. Ancak 0'a yakın olması durumunda ise anlamlı bir ilişkiye sahip olmadığını göstermektedir.
7- Korelasyon Matrisini, Heatmap’e Dönüştürme
Çalışmamızın son basamağı olan bu adımda, oluşturmuş olduğumuz korelasyon matrisini, heatmap’e yani ısı haritasına dönüştüreceğiz.
Heatmap Nedir? Bir veri kümesindeki değerlerin büyüklüklerini renk olarak temsil eden bir iki boyutlu bir veri görselleştirme tekniğidir. Renk skalası genellikle mavi ve kırmızı tonlarından oluşmaktadır. Mavi renk düşük değerleri, kırmızı ise yüksek değerleri göstermektedir. Ara renkler ise tahmin edilebileceği gibi orta değerleri temsil etmektedir.
Matrisimizi, ısı haritasına dönüştürmek için ‘seaborn’ kütüphanesindeki heatmap fonksiyonunu kullanacağız:
sns.heatmap(df.corr(), cmap="coolwarm", annot=True, annot_kws={"fontsize": 8})- cmap=”coolwarm” → Isı haritasında renk skalası olarak “coolwarm” renk paletini kullanacağız. Bu renk paletinin bir ucu negatif korelasyonu (-1), diğer ucu ise pozitif korelasyonu (1) temsil eder.
- annot=True → Korelasyon değerlerini ısı haritasının üzerine eklenmesini sağlar.
- annot_kws={“fontsize”: 8} → Isı haritasındaki korelasyon değerlerinin yazı boyutunu 8 olarak ayarlar.
Matplotlib kütüphanesinde yer alan ‘tight_layout’ fonksiyonunu kullanarak görselleştirmeyi otomatik olarak ayarlayacağız. Bu fonksiyon sayesinde de, tüm bilgilerin (etiketler, başlıklar gibi) grafik alanı içerisine sığabilmesi sağlanır:
plt.tight_layout()Şimdi ise, oluşturduğumuz ısı haritasını çıktı olarak alalım:
plt.show()
Bu ısı haritasını şu şekilde yorumlayabiliriz:
- ‘mean radius’ ve ‘mean perimeter’ arasında 0.99 gibi yüksek bir korelasyon var. Bu da, bu iki özelliğin birlikte artış gösterdiğini gösterir.
- ‘mean smoothness’ ve ‘class’ arasında hafif negatif bir korelasyon var. Bu değer -0.41'dir. Bu durum ile de, ‘smoothness’ın azalmasının kanser sınıfında artışa sebep olabileceği çıktısına varabiliriz.
- Aynı zamanda bu ısı haritası içerisinde düşük korelasyonlar da bulunmaktadır. Örnek vermek gerekirse, ‘radius error’ ve ‘class’ arasında 0.07 gibi bir değer bulunmaktadır. Bu durum da, bu iki özellik arasında anlamlı bir ilişki olmadığı anlamına gelmektedir.
- Son olarak bu ısı haritasında, kanser sınıfının belirlenmesinde önemli bir şekilde role sahip özellikler ise sırasıyla şunlardır: ‘worst radius’ , ‘worst perimeter’ , ‘ worst concavity’ özelliklerinin ‘class ile korelasyonları.
Python ile Meme Kanserinin nasıl tespit edildiği konusuna değindiğim makalemin sonuna geldik. Bir sonraki makalemde görüşmek üzere, sağlıkla kalın…
