近几十年来,人们收集、传输和处理数据的能力飞速发展。与此同时,带来了很多新问题和新挑战,机器学习方法提供了可行的方法。例如:大量基因序列信息、转录数据、蛋白质数据涌现出来。如果充分利用这些数据来筛查肿瘤的良性和恶性,那么能准确而有效地筛查出肿瘤是良性还是恶性。对病人的早期诊断和靶向治疗至关重要,从而降低人类的死亡率。常见的癌症中,肝癌和肺癌的发病率和死亡率都极高。本文主要利用机器学习方法研究肝部肿瘤良恶性问题和肺部肿瘤良恶性问题。对于肝部肿瘤良恶性预测问题,本文选取Kaggle大数据网站上的579例肝部肿瘤样本数据。以年龄、性别和8个肝功能指标作为预测变量,肝部肿瘤良性和恶性作为响应变量建立七个分类器:逻辑回归、支持向量机、极限梯度提升算法、Ridge惩罚逻辑回归、Lasso惩罚逻辑回归、Elastic-Net惩罚逻辑回归和Adpative Lasso惩罚逻辑回归。以492例病人作为训练样本学习预测模型,再用87例病人测试模型的预测性能,比较七种方法的不同预测精度和预测表现。Ridge惩罚逻辑回归的预测精度最高,获得精度为0.812,灵敏度为0.790,特异度为0.843。因此,利用Ridge惩罚逻辑回归可以有效预测肝部肿瘤的良性和恶性情况。对于肺部肿瘤良恶性预测问题,本文选取威斯康星大学UCI网站的603例肺癌肿瘤样本数据,年龄、病人是否转入普通病房（是,否）,重症监护（是,否）,血红蛋白和血小板等22个指标作为预测变量,肺部肿瘤良性和恶性作为响应变量。原始数据中肿瘤的良性和恶性之比为13:2,由于分类变量比值相差较大,现运用R软件的SMOTE函数进行数据处理后,数据中肿瘤的良性和恶性之比变为3:1,从而肿瘤的良性和恶性的数据更加平衡。再肺部肿瘤良性和恶性作为响应变量建立八个分类器:逻辑回归、支持向量机、人工神经网络、Ridge惩罚逻辑回归、Lasso惩罚逻辑回归、Elastic-Net惩罚逻辑回归、Adpative Lasso惩罚逻辑回归和组Lasso惩罚逻辑回归。以706例病人作为训练样本学习预测模型,再用176例病人测试模型的预测性能,比较八种方法的不同预测精度和预测表现。人工神经网络预测精度的预测精度最高,获得精度为0.925,灵敏度为0.898,特异度为0.933。因此,利用人工神经网络可以有效预测肺部肿瘤的良性和恶性情况。本文用逻辑回归、支持向量机、人工神经网络、极限梯度提升算法和四种惩罚逻辑回归模型预测肝部肿瘤良性和恶性问题,得出Ridge惩罚逻辑回归预测表现最佳,平均精度为0.812;逻辑回归、支持向量机、人工神经网络和五种惩罚逻辑回归模型预测肺部肿瘤良性和恶性问题,得出人工神经网络预测表现最佳,平均精度为0.925;对于预测肝部肿瘤良恶性问题可以采用Ridge惩罚逻辑回归模型,预测肺部肿瘤良恶性问题可以采用人工神经网络模型。