基于流形學(xué)習(xí)的基因微陣列數(shù)據(jù)分類研究.pdf

1、隨著生物學(xué)中的基因微陣列數(shù)據(jù)呈現(xiàn)爆炸式增長(zhǎng)，直接對(duì)這些海量數(shù)據(jù)進(jìn)行認(rèn)知變得越來(lái)越困難，這就出現(xiàn)了對(duì)能夠從這些海量數(shù)據(jù)中探究其內(nèi)在結(jié)構(gòu)的機(jī)器學(xué)習(xí)方法的需求。如何對(duì)這些基因微陣列數(shù)據(jù)進(jìn)行有效處理，提取出隱含在其中的有用信息成為數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和模式識(shí)別等領(lǐng)域的核心問(wèn)題之一。而流形學(xué)習(xí)作為一種非線性維數(shù)約簡(jiǎn)方法，能發(fā)現(xiàn)海量高維數(shù)據(jù)的內(nèi)在規(guī)律，因而越來(lái)越廣泛地被應(yīng)用在模式識(shí)別等領(lǐng)域。本文主要研究如何將流形學(xué)習(xí)應(yīng)用到基因微陣列數(shù)據(jù)分類中，研究?jī)?nèi)

2、容包括以下幾個(gè)方面：
　　1)分析比較了典型的基因微陣列數(shù)據(jù)分類算法的效果。這些分類算法包括K近鄰(K-NN)、樸素貝葉斯(NB)算法和支持向量機(jī)(SVM)算法。基因微陣列數(shù)據(jù)呈現(xiàn)出高維小樣本的特性，往往存在著大量的與分類類別無(wú)關(guān)的特征基因，這些基因往往會(huì)影響分類結(jié)果。實(shí)驗(yàn)表明利用這三種分類算法對(duì)基因微陣列數(shù)據(jù)進(jìn)行分類并不能取得令人滿意的結(jié)果。
　　2)介紹了一種將支持向量機(jī)遞歸消除(SVM-RFE)算法與典型的分類算法相結(jié)

3、合來(lái)對(duì)基因微陣列數(shù)據(jù)進(jìn)行分類的方法。該算法根據(jù)一種排列標(biāo)準(zhǔn)循環(huán)排除掉特征基因中類別依賴性最小的基因，最終得出一個(gè)特征基因子集，將該子集利用上述三種分類算法進(jìn)行分類。與直接用上述三種分類算法相比，基于SVM-RFE算法的基因微陣列數(shù)據(jù)分類的精度有所提高。
　　3)提出了基于流形學(xué)習(xí)的基因微陣列數(shù)據(jù)分類模型，該方法將流形學(xué)習(xí)與分類算法結(jié)合起來(lái)，先利用流形學(xué)習(xí)算法對(duì)基因微陣列數(shù)據(jù)提取特征，然后再利用分類算法進(jìn)行分類。流形學(xué)習(xí)算法包括LL