Il cancro al seno è la seconda causa di morte tra le donne e spesso non viene diagnosticato fino a quando non raggiunge stadi avanzati. L'identificazione precoce è fondamentale, poiché una classificazione accurata dei tumori benigni e maligni può evitare trattamenti non necessari. Questo studio esplora l'applicazione delle tecniche di apprendimento automatico per la diagnosi del cancro al seno utilizzando il Wisconsin Breast Cancer Dataset dell'UCI Repository. I primi esperimenti con il classificatore Naïve Bayes hanno prodotto un'accuratezza dell'88% per i tumori benigni e dell'86% per quelli maligni. Tuttavia, sono emerse alcune limitazioni, quali la scarsa accuratezza e problemi con le probabilità di frequenza zero. Il passaggio alle reti neurali artificiali (ANN) ha migliorato i risultati al 90% per le classificazioni benigne e al 92% per quelle maligne, ma non ha ancora prodotto risultati ottimali. La ricerca ha infine impiegato tecniche di Support Vector Machine (SVM), ottenendo la massima accuratezza con il 97% per i tumori benigni e il 95% per quelli maligni. Questo metodo distingue efficacemente i tipi di tumore utilizzando un modello lineare basato su iperpiani. Tutti gli algoritmi sono stati implementati utilizzando lo strumento R, che è facile da usare e gratuito, facilitando la gestione dei dati per la classificazione del cancro al seno.