2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩53頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、代謝組學(xué)定量的分析生物體內(nèi)的代謝產(chǎn)物,并對代謝產(chǎn)物與生理病理變化之間的關(guān)系進(jìn)行研究。代謝組學(xué)數(shù)據(jù)中包含大量的噪音屬性和無關(guān)屬性,將數(shù)據(jù)挖掘技術(shù)應(yīng)用于代謝組學(xué)數(shù)據(jù)中,有助于降低數(shù)據(jù)的復(fù)雜度,發(fā)掘潛在的代謝標(biāo)志物,進(jìn)而對疾病的診斷和臨床應(yīng)用有著重要的輔助作用。
  SVM-RFE是一種基于SVM的遞歸特征消除算法,通過支持向量來計(jì)算每個特征的權(quán)重。代謝組學(xué)數(shù)據(jù)中的噪音屬性很可能會對SVM最優(yōu)超平面的構(gòu)建產(chǎn)生影響,進(jìn)而影響到對特征的評價

2、。因此,本文提出了一種基于互信息和人工變量的MI-SVM-RFE特征選擇方法,在SVM-RFE特征選擇之前使用人工變量-互信息的方式進(jìn)行濾噪,使得特征權(quán)重的計(jì)算更為精確,進(jìn)而篩選最優(yōu)的特征子集。將MI-SVM-RFE算法應(yīng)用于肝病代謝組學(xué)數(shù)據(jù)上,篩選出了34個具有顯著區(qū)分能力的代謝產(chǎn)物,在區(qū)分肝炎、肝硬化、肝癌時,MI-SVM-RFE算法的平均準(zhǔn)確率為74.33±2.98%,高于SVM-RFE算法的72.00±4.15%。
  對

3、于SVM分類器,樣本數(shù)量不平衡問題可能會導(dǎo)致各類樣本中的支持向量數(shù)量不平衡或支持向量分布不平衡,從而使得SVM對少數(shù)類的樣本分類效果較差。因此,本文在使用SVM-RFE特征選擇方法時引入EFSBS的思想,提出了EFSBS-SVM-RFE算法,該算法有助于對不平衡數(shù)據(jù)的分析和理解,更好的篩選生物標(biāo)志物。將EFSBS-SVM-RFE算法應(yīng)用于品種初烤煙葉化學(xué)成分檢測數(shù)據(jù)上,篩選出了15個富含2類樣本區(qū)分信息的化學(xué)成分,較好的區(qū)分了兩類不同品

4、種的烤煙。
  SVM-RFE是一種后向的特征選擇方法,基于多變量分類器對特征空間不斷優(yōu)化。FFS-ACSA是一種前向的特征選擇方法,基于單變量分類器,考慮了特征之間的互補(bǔ)性。為了更好的篩選具有區(qū)分能力的特征,建立更為有效的分類模型,本文將FFS-ACSA與SVM-RFE相結(jié)合,提出一種組合的特征選擇方法Forward-RFE,充分利用前向特征選擇方法FFS-ACSA和后向特征選擇方法SVM-RFE的優(yōu)勢,在四組公共數(shù)據(jù)集上對該算

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論