随着时代的发展,医疗健康问题成为人们越来越关注的话题,而癌症是影响人类生命健康安全的一重大威胁。癌症由于其自身具有隐匿性和不易察觉的特点,在后期的治疗过程比较困难和复杂。由于计算机技术的快速发展,计算机辅助诊断在医疗事业中获得广泛应用,同时将机器分类中的算法用于到癌症的预测分类中,大大提高了癌症诊治的效率和精确率。乳腺癌是影响全世界女性生命健康的肿瘤疾病,因此本文以乳腺癌数据集为例研究不同种机器学习分类算法在癌症诊治中的应用。本文首先介绍了各种方法的理论基础以及评价不同分类模型的指标,为后续的机器学习的分类算法的实证分析奠定理论基础。然后建立决策树、随机森林、SVM模型,对2018年的乳腺癌数据集为例进行实证分析,去研究不同种分类方法的预测分类效果,找到相对最优的分类方法。基于9个变量特征建立决策树模型,对癌症检测结果进行预测分类,然后通过剪枝等处理,找到具有最优节点的决策树。最后经过实证分析可得,最优节点是11个,模型预测准确度达到了83%。在决策树的基础上,采用随机森林的算法对乳腺癌样本继续进行分类处理,当设置变量参数为3时,模型表现出了优良的分类效果,模型分类预测准确率达到了94.73%。将Lasso特征选择方法与SVM结合,筛选出影响显著的3个关键变量,然后进行SVM分类,在样本测试集上预测分类准确率达到了97%。然后从基因层面出发,从GEO数据库中获得三阴性乳腺癌基因表达数据为样本,对复杂高维的基因数据进行差异化分析和可视化处理,实现对高维基因变量的有效直接降维。在得到差异化分析结果之后,根据p值显著性筛选出最显著的5个基因,基于这5个变量建立SVM分类模型,在测试集上取得了90%的正确率,从基因层面上有效解释了癌症发展过程中的差异。