Questo progetto ha lo scopo di sviluppare un programma che, ricevendo in ingresso un dataset contenente informazioni su alcuni tipi di cellule tumorali, sappia determinare se un tumore è benigno o maligno. Il programma utilizza un classificatore k-NN (k-Nearest Neighbors) per classificare i dati e valutare le prestazioni del modello. Le tecniche di valutazione implementate sono Holdout e K-Fold Cross Validation e possono essere selezionate dall'utente. L'obiettivo finale è quello di testare le prestazioni del modello e valutarne le performance mediante metriche e grafici che verranno salvati in un file di output. Il programma è stato sviluppato in modo da essere flessibile e personalizzabile, consentendo all'utente di specificare le opzioni di input e di personalizzare l'analisi in base alle proprie esigenze.
Nel contesto di questo progetto, utilizziamo il dataset breast_cancer.csv il quale fornisce dettagli su alcuni tipi di cellule tumorali. Il dataset è strutturato come segue:
-
Numero di Campioni: 683 campioni.
-
Numero di Caratteristiche: 11 caratteristiche per campione.
-
Nomi delle Caratteristiche:
- Sample code number: Identificativo unico per ogni campione.
- Clump Thickness: Spessore del grumo di cellule.
- Uniformity of Cell Size: Uniformità delle dimensioni cellulari.
- Uniformity of Cell Shape: Uniformità delle forme cellulari.
- Marginal Adhesion: Adesione marginale delle cellule.
- Single Epithelial Cell Size: Dimensione della singola cellula epiteliale.
- Bare Nuclei: Nuclei scoperti.
- Bland Chromatin: Cromatina blanda.
- Normal Nucleoli: Nucleoli normali.
- Mitoses: Tasso di mitosi.
- Class: Classificazione del tumore (2 per benigno, 4 per maligno).
è possibile trovare il dataset qui.
Per eseguire il codice, è necessario seguire i seguenti passaggi:
-
Installazione dei Requisiti: prima di avviare l'applicazione, è indispensabile installare i requisiti. Questo può essere realizzato eseguendo il comando
pip install -r requirements.txtnella cartella principale del progetto. Questo comando installerà tutte le librerie richieste: numpy, pandas, matplotlib ed altre. -
Importazione del Dataset: Il dataset
breast_cancer.csvè già presente nel repository e pronto per l'uso. Tuttavia, se si desidera utilizzare un dataset diverso, è possibile caricare un file CSV di input che contiene il dataset. L'applicazione è in grado di gestire file CSV e JSON. -
Impostazione delle Opzioni di Input: L'applicazione offre diverse opzioni di input per personalizzare l'esecuzione e l'analisi:
-
File di input: Puoi indicare il percorso di un file CSV o JSON di input che contiene il dataset. Nel caso in cui l'estensione del file non sia .csv o .json, l'applicazione chiederà di inserire un file valido. -
Numero di vicini (k)da utilizzare nel classificatore k-NN: Questo parametro influisce su come il modello classifica i nuovi dati basandosi sui dati di addestramento. -
Metodo di valutazione: Puoi scegliere tra Holdout e K-fold Cross Validation. Queste opzioni determinano come vengono valutate le performance del modello.- Holdout: Questo metodo divide il dataset in due parti: una parte per l'addestramento e una parte per il test. Questo metodo è utile quando si dispone di un grande dataset.
- K-fold Cross Validation: Questo metodo divide il dataset in k fold e utilizza k-1 fold per l'addestramento e 1 fold per il test. Questo metodo è utile quando si dispone di un piccolo dataset.
-
Percentuale di test: Questo parametro determina la percentuale di dati da utilizzare per il test. Questo valore è utilizzato solo se si sceglie Holdout come metodo di valutazione. -
Numero di fold: Questo parametro determina il numero di fold da utilizzare. Questo valore è utilizzato solo se si sceglie K-fold Cross Validation come metodo di valutazione. -
Metriche di valutazione: Determinano il modo in cui vengono valutate le performance del modello. Sono disponibili le seguenti metriche:- Accuracy Rate: Indica quante volte il nostro modello ha correttamente classificato correttamente un item nel nel nostro dataset rispetto al totale
- Error Rate(TPR): Indica quante volte il nostro modello ha erroneamente classificato correttamente un item nel nel nostro dataset rispetto al totale
- Sensitivity: Indica la capacità del modello di individuare i casi positivi correttamente.
- Specificity(TNR): Indica la capacità del modello di individuare i casi negativi corretamente.
- Geometric Mean: Misura l'equilibrio tra Sensibilità e Specificità.
-
Nome del file di output: Puoi specificare il nome del file di output in cui salvare i risultati dell'analisi. Se non viene specificato alcun nome, l'applicazione utilizzerà un nome predefinito.
-
-
Esecuzione del programma: Il programma può essere eseguito tramite il file
main.py, specificando le opzioni di input come argomenti della linea di comando, quando e come richiesto.
I risultati dell'esecuzione del programma sono presentati in due modi:
- Se si sceglie come metodo di valutazione
Holdoutsi otterrà un file di output con il nome desiderato in formato Excel nel quale sono salvate le metriche di validazione del modello. - Se si sceglie come metodo di valutazione
K-fold Cross Validationsi otterrà un file di output con il nome desiderato in formato Excel, dove sono salvate le metriche di validazione del modello e due plot:- 2.1
Boxplot: per ciascuna metrica mostra la distribuzione dei valori in tutti gli esperimenti. - 2.2
Line Plot: illustra per ciascuna metrica come i valori cambiano attraverso diversi esperimenti.
- 2.1
Prima di avviare il programma, verificare di avere installata sulla propria macchina Python versione >= 3.9.13
Inoltre, è consigliabile configurare un ambiente virtuale per creare un'area isolata per l'esecuzione del progetto.
Questo può essere realizzato eseguendo la seguente guida:
- Creare un virtual environment da terminale:
python3 -m venv venv
- Attivare il virtual environment:
- Windows:
.\venv\Scripts\activate - Unix/MacOS:
source .\venv/bin/activate
- Windows:
- Installare i requisiti:
pip install -r requirements.txt