版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、使用機器學習方法分析生物信息學中的復雜數據是目前重要的研究領域之一。通過微陣列測試技術得到的基因表達數據可以表現任何給定條件下的基因表達模式,它們可以幫助我們深入地認識諸多生物過程的本質,如基因功能、癌癥(腫瘤)、衰老和藥理等。本文主要研究基于基因表達數據的腫瘤分類和基因功能分類方法,并針對已有的算法與模型當中所存在的問題,提出對算法的改進。 針對基于基因表達數據的腫瘤分類,本文從分類算法和特征基因選擇兩個方面進行了改進。在分析
2、了傳統(tǒng)的SVM算法和kNN算法的基礎上,本文將兩者結合成為一種新的應用于腫瘤分類的算法。該算法將SVM視為每類只取一個代表點的1NN分類器,在對測試數據進行分類時,依據測試樣本與超平面之間的距離決定采用何種分類算法。實驗結果表明新算法的分類準確率較傳統(tǒng)的SVM算法和kNN算法有所提高。針對基因表達數據集具有“樣本數目少,基因數目龐大”的特點,本文通過特征基因選擇提高分類精度。本文提出了一種改進的基于相關性的遞歸特征消除方法(簡稱為C-R
3、FE)。新方法通過計算基因間的相關性,在尋求數據最小冗余的同時,考慮了如何避免過度刪除與目標表現型相關的基因。實驗證明,使用新方法選擇特征基因子集可大幅度提高分類性能,特征選擇效率也較高。 對于基于基因表達數據的基因功能分類,根據功能類的隸屬關系,本文給出了基于功能樹的置信度調整和基于功能樹的優(yōu)勢因子決策兩個準則。依據這兩個準則,本文提出了一種改進的基于基因功能樹的基因功能分類算法。新算法在測試階段可自動檢測出某一基因在某個功能
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。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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。
最新文檔
- 基因表達數據的特征選擇及其分類算法研究.pdf
- 基因表達數據聚類分析及其應用研究.pdf
- 流分類算法及其應用研究.pdf
- 決策樹算法應用于基因表達數據分類.pdf
- 基于基因表達數據的腫瘤分類算法研究.pdf
- 基因表達式編程算法及其應用研究.pdf
- 基于ELM的腫瘤基因表達數據分類算法研究.pdf
- 基于腫瘤基因表達譜數據的分類算法研究.pdf
- 數據挖掘算法及其應用研究.pdf
- 基于降維的基因表達數據分類算法研究.pdf
- 聚類分析及其在基因表達數據中的應用研究.pdf
- 基于壓縮感知算法的基因表達數據分類的研究
- 遙感圖像分類算法及其應用研究.pdf
- 基于免疫算法的分類算法及其應用研究.pdf
- 基因表達譜數據的特征選擇與分類算法研究.pdf
- 基于壓縮感知算法的基因表達數據分類的研究.pdf
- 復雜數據分類方法及其應用研究.pdf
- AdaBoost在基因表達數據分類中的應用.pdf
- 非平衡數據集分類算法及其應用.pdf
- 面向大數據的流分類挖掘算法及其概念漂移應用研究.pdf
評論
0/150
提交評論