A COMPARATIVE STUDY AND HYBRID OPTIMIZATION FRAMEWORK FOR ENHANCING THE PERFORMANCE OF SUPERVISED CLASSIFIERS IN BREAST CANCER PREDICTION

Abstract

Le cancer du sein reste l’une des principales causes de mortalité féminine mondiale. La détection précoce s’impose comme un enjeu clé, encouragé par les progrès en intelligence artificielle. Cette étude évalue comparativement plusieurs classificateurs supervisés pour la prédiction du cancer du sein, en utilisant le jeu de données Wisconsin Breast Cancer (569 échantillons, 30 variables). Une méthode hybride est proposée, combinant trois algorithmes — Support Vector Machine (SVM), arbre de décision et K plus proches voisins (KNN) — au sein d’un Voting Classifier à vote pondéré (Soft Voting). Les performances de ce modèle sont comparées à celles des classificateurs individuels, y compris Naive Bayes. Les résultats montrent que l’approche hybride atteint une exactitude de 98,25 %, un score F1 de 97,62 % et une aire sous la courbe ROC de 0,9947, surpassant significativement les modèles simples. L’étude souligne également la moindre performance de certains algorithmes et présente des stratégies d’optimisation, notamment l’emploi de GridSearchCV pour le réglage des hyperparamètres. La combinaison intelligente des classificateurs, autrement appelée hybridation, atténue les faiblesses individuelles, conduisant à un système de prédiction plus robuste et fiable pour la détection précoce du cancer du sein.