Este livro destaca o desenvolvimento e a otimização de um modelo Random Forest (RF) para classificar o cancro da mama como benigno ou maligno utilizando o Wisconsin Breast Cancer Dataset. Após o pré-processamento de 569 amostras (357 benignas, 212 malignas), um modelo RF padrão alcançou 95,61% de precisão. Para melhorar os resultados, foi aplicada a afinação de hiperparâmetros através da Pesquisa em Grelha, ajustando parâmetros como o número de árvores (150), profundidade máxima (Nenhuma), divisão de amostras mínimas (2), folha de amostras mínimas (1) e semente aleatória (123). O modelo de RF optimizado alcançou 99,12% de exatidão, precisão, recuperação e pontuação F1, superando outros métodos como SVM, XGBoost e implementações anteriores de RF. Os resultados mostram uma redução de falsos negativos e ausência de falsos positivos, indicando uma elevada sensibilidade e especificidade. O trabalho sublinha o valor da afinação meticulosa dos hiperparâmetros em aplicações de IA médica e sugere uma futura integração com redes neuronais e modelos híbridos para melhorar o desempenho no diagnóstico clínico do cancro da mama.