

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),請進行舉報或認領(lǐng)
文檔簡介
1、本研究在系統(tǒng)介紹了Boosting的基本思想,以及它的兩種算法——AdaBoost和LogitBoost的基本過程的基礎(chǔ)上,采用這兩種Boosting算法對模擬數(shù)據(jù)和維度較低的資料建立判別預(yù)測模型,并與另兩種集成算法(Bagging和Random-Forest)和三種傳統(tǒng)判別分析方法(Fisher’s線性判別、Fisher’s二次判別和logistic回歸判別)的預(yù)測效果進行了比較。 本研究根據(jù)基因微陣列數(shù)據(jù)的特殊性,對兩個網(wǎng)絡(luò)
2、數(shù)據(jù)庫——白血病數(shù)據(jù)和乳腺癌數(shù)據(jù)進行了分析,思路如下:(1)使用FDR控制程序校正P值,以P≤0.05或P≤0.01為標準篩選基因變量,使得維度小于樣本含量,建立判別預(yù)測模型,將Boosting方法與兩種集成算法和三種傳統(tǒng)的方法相比較;(2)按照P值的排序選擇不同數(shù)目的基因預(yù)測變量,分別建立判別預(yù)測模型,考察Boosting的相對優(yōu)勢(包括預(yù)測精度和敏感性);(3)提取主成分,作主成分判別分析,考察Boosting方法的優(yōu)勢。以上均用交
3、叉驗證思路考察模型的預(yù)測效果和預(yù)測結(jié)果的穩(wěn)定性。 本研究主要結(jié)論: 1.Boosting的總體預(yù)測效果普遍優(yōu)于Bagging、Random-Forest以及傳統(tǒng)的判別分析方法,在高維的基因微陣列數(shù)據(jù)的判別分類中優(yōu)勢明顯,且在維度較低的資料中同樣具有一定優(yōu)勢。 2.當各預(yù)測變量之間具有高度相關(guān)性時,Boosting判別的預(yù)測效果優(yōu)于Bagging、Random-Forest以及傳統(tǒng)的判別分析方法。 3.以決
4、策樹為基礎(chǔ)分類器的LogitBoost判別可以處理帶有缺失值數(shù)據(jù)的資料,使判別效果更優(yōu)。 4.LogitBoost判別在得到較優(yōu)的預(yù)測效果的同時還可進行多因素的分析和變量的篩選。 5.在基因微陣列數(shù)據(jù)的判別分析中,Boosting對于預(yù)測變量的個數(shù)并不十分敏感,即其預(yù)測效果不會根據(jù)預(yù)測變量的個數(shù)發(fā)生明顯的變化。迭代次數(shù)在50~100輪左右即可達到較優(yōu)的預(yù)測效果。 6.AdaBoost和LogitBoost兩種算法
5、相對優(yōu)勢并不明顯,在處理低維數(shù)據(jù)LogitBoost較AdaBoost稍有優(yōu)勢;AdaBoost達到較優(yōu)的預(yù)測效果所需的迭代次數(shù)通常比LogitBoost多;LogitBoost的預(yù)測精度隨迭代次數(shù)的增加呈現(xiàn)了較明顯的先升高再降低的趨勢,而AdaBoost的這種趨勢并不明顯,有時在降低后會再有一個較高的上升。 根據(jù)本研究的結(jié)果,初步提出基因微陣列數(shù)據(jù)判別分析的策略: (a)選維:以FDR多重比較控制程序篩選基因,使得到的
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)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當內(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
- 多分類器集成系統(tǒng)在基因微陣列數(shù)據(jù)分析中的應(yīng)用.pdf
- 基因微陣列數(shù)據(jù)的分析算法.pdf
- 基因表達數(shù)據(jù)的判別分析與變量選擇方法研究.pdf
- 347.微陣列基因表達數(shù)據(jù)的特征分析方法研究
- 基于粒子群優(yōu)化的集成學(xué)習(xí)方法在基因微陣列數(shù)據(jù)分類中的應(yīng)用.pdf
- 多重檢驗技術(shù)及其在微陣列數(shù)據(jù)分析中的應(yīng)用.pdf
- 微陣列數(shù)據(jù)基因集統(tǒng)計分析方法研究及醫(yī)學(xué)應(yīng)用.pdf
- 支持向量機在微陣列基因表達譜數(shù)據(jù)分類中的應(yīng)用.pdf
- 基于數(shù)據(jù)深度的判別分析.pdf
- 基因微陣列數(shù)據(jù)的SVM分類器優(yōu)化方法.pdf
- 偏最小二乘法在癌癥微陣列基因表達數(shù)據(jù)分析中的應(yīng)用.pdf
- 微陣列數(shù)據(jù)分析中的基因選擇及樣本分類方法研究.pdf
- 基因微陣列數(shù)據(jù)特征選擇與分類方法研究.pdf
- 非參數(shù)密度估計在判別分析中的應(yīng)用.pdf
- 貝葉斯網(wǎng)絡(luò)在臨床及微陣列數(shù)據(jù)分析中的應(yīng)用.pdf
- 區(qū)間型符號數(shù)據(jù)的判別分析方法研究.pdf
- 判別分析
- 基于聚類算法的基因微陣列數(shù)據(jù)分析.pdf
- 線性判別分析新方法研究及其應(yīng)用.pdf
- 半監(jiān)督判別分析方法研究.pdf
評論
0/150
提交評論