mstz/haberman

---
language:
- en
tags:
- haberman
- tabular_classification
- binary_classification
- multiclass_classification
pretty_name: Haberman
size_categories:
- n<1K
task_categories:
- tabular-classification
configs:
- survival
license: cc
---
# Haberman
The [Haberman dataset](https://archive.ics.uci.edu/ml/datasets/Haberman) from the [UCI ML repository](https://archive.ics.uci.edu/ml/datasets).
Has the patient survived surgery?

# Configurations and tasks
| **Configuration** | **Task** | **Description** |
|-------------------|---------------------------|------------------------------------|
| sruvival | Binary classification | Has the patient survived surgery? |

# Usage
```python
from datasets import load_dataset

dataset = load_dataset("mstz/haberman", "survival")["train"]
```

---
语言：
- 英语（en）
标签：
- 哈伯曼数据集（Haberman）
- 表格分类（tabular_classification）
- 二元分类（binary_classification）
- 多分类（multiclass_classification）
展示名称：哈伯曼（Haberman）
样本规模类别：
- 样本数小于1000（n<1K）
任务类别：
- 表格分类（tabular-classification）
配置项：
- 生存（survival）
许可证：CC
---
# 哈伯曼数据集
本数据集源自[UCI机器学习仓库（UCI ML repository）](https://archive.ics.uci.edu/ml/datasets)的[哈伯曼数据集（Haberman dataset）](https://archive.ics.uci.edu/ml/datasets/Haberman)，核心研究问题为：患者是否在手术后存活？

# 配置项与任务
| **配置项** | **任务类型** | **描述** |
|------------|--------------|----------|
| 生存（survival） | 二元分类 | 判断患者是否在手术后存活 |

# 使用方法
python
from datasets import load_dataset

dataset = load_dataset("mstz/haberman", "survival")["train"]

原始信息汇总

数据集概述

基本信息

• 名称: Haberman
• 语言: 英语
• 标签:
  • haberman
  • tabular_classification
  • binary_classification
  • multiclass_classification
• 大小类别: n<1K
• 任务类别: tabular-classification
• 配置: survival
• 许可证: cc

数据集来源

• 来源: UCI ML repository

任务描述

• 配置/任务:
  • 配置: survival
  • 任务: Binary classification
  • 描述: Has the patient survived surgery?

使用示例

python from datasets import load_dataset

dataset = load_dataset("mstz/haberman", "survival")["train"]

搜集汇总

数据集介绍

构建方式

Haberman数据集源于UCI机器学习库，其构建基于一项针对乳腺癌患者手术后的生存情况的研究。数据集采集了306名患者的术后生存数据，包括患者的年龄、手术前一年内的体检结果、手术时是否为第一次手术以及肿瘤的尺寸等信息，以此构建了一个表格型数据集，旨在探究影响生存率的多种因素。

特点

该数据集的特点在于其规模适中，易于处理，且标签为二元分类，即患者术后是否生存。其数据分布涵盖了多种影响因素，使得该数据集在医学领域的二分类任务中具有较高的参考价值。此外，数据集遵循Creative Commons许可，便于学术研究和共享。

使用方法

使用该数据集时，用户需通过HuggingFace的datasets库加载。如需加载数据集的训练部分，可以使用load_dataset函数，指定'dataset='mstz/haberman'和'task='survival'，即可获得训练数据。此操作简便快捷，便于研究人员快速进行数据分析和模型训练。

背景与挑战

背景概述

Haberman数据集，源自UCI机器学习仓库，是一项经典的医学研究领域数据集。该数据集由美国波士顿大学的Samuel W. Haberman教授于1974年创建，旨在研究乳腺癌患者的术后生存情况。数据集包含了306名女性的病例信息，是医学统计和机器学习领域中二分类问题的典型案例。其研究成果对于提高乳腺癌手术后的生存率分析具有显著影响，为后续相关领域的研究提供了宝贵的数据资源。

当前挑战

Haberman数据集在构建和应用过程中面临的挑战主要包括：数据集规模较小，可能导致模型泛化能力不足；数据属性之间存在关联，增加了特征选择的复杂性；此外，由于数据集年代久远，部分信息的采集和记录方式可能不符合现代医学标准，从而对模型的准确性和时效性带来挑战。在解决领域问题方面，如何准确预测患者术后生存情况，以及如何处理数据集中存在的噪声和异常值，是当前研究的主要难点。

常用场景

经典使用场景

在医学研究领域，mstz/haberman数据集被广泛用于二分类任务，其经典的使用场景在于预测患者是否能够在手术中存活。该数据集包含了患者术前的一系列特征，如年龄、手术前住院时间等，以及一个二进制的结果变量，即患者是否存活。

衍生相关工作

基于mstz/haberman数据集的研究衍生出了多项相关工作，包括开发更复杂的生存预测模型，以及将数据集扩展到多类别分类任务中，如预测患者术后可能出现的并发症类型。这些工作进一步拓展了数据集的应用范围，加深了医学研究领域的知识积累。

数据集最近研究

最新研究方向

在医学数据挖掘领域，mstz/haberman数据集作为经典的二分类问题数据集，其最新研究方向主要集中在生存分析的精确化。研究者们致力于通过深度学习等方法，提高对手术患者生存情况的预测准确性。此数据集关联的热点事件包括精准医疗的发展趋势，其研究成果对于优化医疗决策、提升病患生存率具有重要的现实意义。