摘要：威斯康星乳腺癌诊断数据集包含 569 个样本（357 良性，212 恶性），每个样本有 32 个属性（ID、诊断结果 M/B 和 30 个实值特征），特征从乳腺肿块细针穿刺（FNA）图像中计算，描述细胞核特征（10 个核心特征×3 个统计量：均值、标准误、最差值）。数据集源自威斯康星大学（K.P. Bennett 和 O.L. Mangasarian，1992），可通过 UCI 机器学习库获取，无缺失值，是乳腺癌良恶性二元分类的经典基准数据集。
数据集简介
数据集概述
威斯康星乳腺癌诊断数据集（Breast Cancer Wisconsin Diagnostic Data Set）是一个用于预测乳腺癌良恶性的经典机器学习数据集，包含从乳腺肿块细针穿刺（FNA）数字化图像中计算得出的特征，描述图像中细胞核的特征。数据集包含 569 个样本（357 个良性，212 个恶性），每个样本有 32 个属性：ID 号、诊断结果（M=恶性，B=良性）和 30 个实值特征。数据集源自威斯康星大学，由 K.P. Bennett 和 O.L. Mangasarian 在其 1992 年论文”Robust Linear Programming Discrimination of Two Linearly Inseparable Sets”中描述，可通过 UCI 机器学习库和威斯康星大学 FTP 服务器获取。所有特征值记录为四位有效数字，无缺失值，是二元分类、特征选择和医学诊断算法研究的理想基准数据集。
数据结构与类别特征
数据集包含 32 个属性，其中前 2 个为标识信息（ID 号和诊断结果 M/B），其余 30 个为从细胞核图像计算的实值特征。核心特征（10 个）描述细胞核的几何和纹理特性：半径（从中心到周边点的距离均值）、纹理（灰度值标准差）、周长、面积、平滑度（半径长度的局部变化）、紧密度（周长²/面积 – 1.0）、凹度（轮廓凹陷部分的严重程度）、凹点（轮廓凹陷部分的数量）、对称性和分形维数（”海岸线近似” – 1）。对于每个核心特征，数据集计算三个统计量：均值（Mean）、标准误（Standard Error, SE）和最差值（Worst，即三个最大值的均值），形成 30 个特征（10×3）。例如，字段 3 是平均半径，字段 13 是半径标准误，字段 23 是最差半径。类别分布为 357 个良性样本（62.7%）和 212 个恶性样本（37.3%），存在一定的类别不平衡但不严重。
应用价值与研究方向
该数据集是机器学习、医学诊断和数据科学教育领域的经典基准，支持多个研究和应用方向。二元分类：训练和评估分类算法（逻辑回归、SVM、决策树、随机森林、神经网络）区分良性和恶性肿瘤。特征选择：研究哪些细胞核特征对诊断最具预测价值，降低特征维度。模型对比：作为标准基准测试不同算法的性能。医学决策支持：开发辅助乳腺癌诊断的机器学习模型。不平衡学习：研究处理轻度类别不平衡的技术。可解释 AI：分析特征重要性和决策边界以支持临床解释。数据集的高质量（无缺失值）、适中规模（569 个样本）和清晰特征定义使其成为教学和算法原型开发的理想选择，广泛应用于机器学习课程、数据科学竞赛和医学 AI 研究入门项目。通过支持乳腺癌良恶性的自动化预测，数据集为开发计算机辅助诊断工具、改善早期筛查效率以及推动精准医疗提供了数据基础。
数据集来源
数据集在 K.P. Bennett 和 O.L. Mangasarian 1992 年论文中描述，可通过 UCI 机器学习库（https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29）和威斯康星大学 FTP 服务器获取，专为乳腺癌良恶性二元分类和医学诊断算法研究而构建。由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
应用项目案例
应用案例：斯康星乳腺癌诊断数据集:良恶性预测
图1 斯康星乳腺癌诊断数据集:良恶性预测
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：AI-26-Dataset
文件大小：49K
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)