В статье исследована эффективность ансамблевых алгоритмов на основе принципов частичной прсцедентности при классификации стадий рака. Механизм взвешенного принятия решений на основе линейной свертки показал высокие результаты при классификации типов рака (С 16, С17, С18, С44, С50, С00). Разработан метод на основе манхэттенского расстояния и пороговых значений, результаты сравнены с классическими алгоритмами. Предложенный ансамблевый алгоритм повышает точность классификации до 94,7-96,2%, что на 3-10% выше результатов существующих алгоритмов.

В статье представлен сравнительный анализ алгоритмов машинного обучения, применяемых для ранней диагностики онкологических заболеваний. В работе рассмотрены алгоритмы Random Forest, XGBoost, AdaBoost и другие, протестированные на различных клинических задачах, таких как рак шейки матки, лёгких и кожи. Особое внимание уделено ансамблевым методам, которые продемонстрировали наивысшую точность, особенно алгоритму Random Forest (случайный лес). Подчёркивается универсальность изучаемых методов, их адаптивность к разнородным медицинским данным и потенциал для разработки интеллектуальных систем поддержки принятия клинических решений.