Feature selection using quantum feature maps: Performance analysis of classical and quantum models on the breast cancer dataset

Abstract

In this study, the performance of classical and quantum machine learning models was compared using the Breast Cancer dataset, which consists of diagnostic data aimed at classifying breast tumor types. Breast cancer, being one of the most common and life-threatening cancers in women, requires accurate diagnostic tools for early detection and effective treatment. The primary objective of this study is to evaluate the accuracy of quantum-assisted models through quantum feature selection methods. Initially, classical machine learning algorithms such as Support Vector Machines (SVM), Decision Trees, Random Forests, and Logistic Regression were applied to the dataset for baseline analysis. Subsequently, a quantum feature map was constructed using the Cirq library, enabling feature transformation based on this map. The classification was performed using the SVM model with the quantum-transformed features. The Logistic Regression and SVM models demonstrated the highest performance among classical machine learning models, achieving an accuracy rate of 96.49%, followed by Random Forest at 94.74% and Decision Tree at 92.11%. In the context of quantum feature transformation, the model utilizing the top five selected features achieved an accuracy rate of 94.74%, in contrast to 98.25% for the model trained with all features. These findings underscore the potential of quantum feature maps in enhancing model performance compared to classical techniques. The results suggest that quantum computing may offer significant advantages when integrated into machine learning frameworks, particularly in domains such as medical diagnostics, where high accuracy is crucial.

Bu çalışmada, meme tümörü türlerini sınıflandırmaya yönelik tanısal veriler içeren Breast Cancer veri kümesi kullanılarak klasik ve kuantum makine öğrenmesi modellerinin performansları karşılaştırılmıştır. Kadınlarda en yaygın ve yaşamı tehdit eden kanser türlerinden biri olan meme kanseri, erken teşhis ve etkili tedavi için doğru tanı araçlarına ihtiyaç duymaktadır. Bu bağlamda, çalışmanın temel amacı, kuantum destekli modellerin doğruluk oranlarını kuantum tabanlı öznitelik seçimi yöntemleriyle değerlendirerek analiz etmektir. İlk aşamada, veri kümesine klasik makine öğrenmesi algoritmaları olan Destek Vektör Makineleri (SVM), Karar Ağaçları, Rastgele Ormanlar ve Lojistik Regresyon uygulanarak temel bir analiz gerçekleştirilmiştir. Ardından, Cirq kütüphanesi kullanılarak bir kuantum öznitelik haritası oluşturulmuş ve bu harita doğrultusunda öznitelik dönüşümü yapılmıştır. Dönüştürülmüş öznitelikler ile sınıflandırma işlemi, SVM modeli kullanılarak gerçekleştirilmiştir. Klasik modeller arasında en yüksek doğruluk oranına %96,49 ile Lojistik Regresyon ve SVM modelleri ulaşmış, bunu %94,74 ile Rastgele Orman ve %92,11 ile Karar Ağacı modelleri takip etmiştir. Kuantum öznitelik dönüşümü bağlamında ise, en iyi beş öznitelikle eğitilen model %94,74 doğruluk oranına ulaşırken, tüm özniteliklerle eğitilen model %98,25 doğruluk göstermiştir. Elde edilen bulgular, kuantum öznitelik haritalarının model performansını klasik tekniklere kıyasla artırma potansiyeline sahip olduğunu ortaya koymaktadır. Sonuçlar, özellikle yüksek doğruluğun kritik öneme sahip olduğu tıbbi tanı gibi alanlarda, kuantum hesaplamanın makine öğrenmesi çerçevelerine entegre edilmesi durumunda önemli avantajlar sunabileceğini göstermektedir.