Niniejsza ksi??ka przedstawia rozwój i optymalizacj? modelu Random Forest (RF) do klasyfikacji raka piersi jako lagodnego lub zlo?liwego przy u?yciu zestawu danych Wisconsin Breast Cancer Dataset. Po wst?pnym przetworzeniu 569 próbek (357 lagodnych, 212 zlo?liwych), domy?lny model RF osi?gn?l dokladno?c 95,61%. Aby poprawic wyniki, zastosowano dostrajanie hiperparametrów za pomoc? wyszukiwania siatki, dostosowuj?c parametry, takie jak liczba drzew (150), maksymalna gl?boko?c (brak), minimalny podzial próbek (2), minimalny li?c próbek (1) i losowe nasiona (123). Zoptymalizowany model RF osi?gn?l 99,12% dokladno?ci, precyzji, przywolania i wyniku F1, przewy?szaj?c inne metody, takie jak SVM, XGBoost i wcze?niejsze implementacje RF. Wyniki pokazuj? zmniejszon? liczb? falszywych negatywów i brak falszywych pozytywów, co wskazuje na wysok? czulo?c i specyficzno?c. Praca podkre?la warto?c skrupulatnego dostrajania hiperparametrów w medycznych zastosowaniach sztucznej inteligencji i sugeruje przyszl? integracj? z sieciami neuronowymi i modelami hybrydowymi w celu zwi?kszenia wydajno?ci w klinicznej diagnostyce raka piersi.