Ce livre met l'accent sur le développement et l'optimisation d'un modèle Random Forest (RF) pour classer le cancer du sein comme bénin ou malin en utilisant le Wisconsin Breast Cancer Dataset (ensemble de données sur le cancer du sein du Wisconsin). Après le prétraitement de 569 échantillons (357 bénins, 212 malins), un modèle RF par défaut a atteint une précision de 95,61%. Pour améliorer les résultats, l'ajustement des hyperparamètres via la recherche en grille a été appliqué, en ajustant des paramètres tels que le nombre d'arbres (150), la profondeur maximale (None), le nombre minimal d'échantillons divisés (2), le nombre minimal d'échantillons de feuilles (1), et la graine aléatoire (123). Le modèle RF optimisé a atteint 99,12 % d'exactitude, de précision, de rappel et de score F1, surpassant d'autres méthodes telles que SVM, XGBoost et des implémentations RF antérieures. Les résultats montrent une réduction des faux négatifs et l'absence de faux positifs, ce qui indique une sensibilité et une spécificité élevées. Ces travaux soulignent la valeur d'un réglage méticuleux des hyperparamètres dans les applications médicales de l'IA et suggèrent une intégration future avec des réseaux neuronaux et des modèles hybrides pour améliorer les performances dans le diagnostic clinique du cancer du sein.