基于SVM算法的癌癥基因數(shù)據(jù)分類研究.pdf

1、癌癥是對(duì)人類生命構(gòu)成嚴(yán)重威脅的主要疾病之一，而癌癥的早診斷是提高癌癥患者成活率的關(guān)鍵。隨著DNA微列陣技術(shù)的飛速發(fā)展，海量的癌癥基因表達(dá)數(shù)據(jù)得以積累。在分子生物學(xué)的基礎(chǔ)上，如何根據(jù)這些龐大的基因表達(dá)數(shù)據(jù)進(jìn)行癌癥的早期診斷已成為后基因組時(shí)代的研究熱點(diǎn)，但是癌癥基因表達(dá)數(shù)據(jù)一般都具有高維數(shù)、樣本數(shù)量少、非線性等特征，這就給基因數(shù)據(jù)的分類帶來(lái)了很多困難。
　　針對(duì)以上基因表達(dá)數(shù)據(jù)的普遍特征，本文運(yùn)用一種基于支持向量機(jī)的分類方法對(duì)癌癥數(shù)據(jù)

2、樣本進(jìn)行分類。SVM是在統(tǒng)計(jì)學(xué)理論的基礎(chǔ)上發(fā)展起來(lái)的新一代機(jī)器學(xué)習(xí)方法，它采用結(jié)構(gòu)風(fēng)險(xiǎn)化原則，代替了經(jīng)驗(yàn)最小化原則，成功應(yīng)用核函數(shù)將非線性問(wèn)題轉(zhuǎn)化為線性問(wèn)題，在解決有限樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出了許多特有的優(yōu)勢(shì)。
　　盡管SVM有效的解決了欠學(xué)習(xí)和過(guò)學(xué)習(xí)的問(wèn)題，但是基因表達(dá)數(shù)據(jù)樣本數(shù)少、維數(shù)高的特性對(duì)數(shù)據(jù)分類準(zhǔn)確度的影響難以避免。如果直接對(duì)原始數(shù)據(jù)進(jìn)行分類，工作量大且得不到比較滿意的結(jié)果。因此，數(shù)據(jù)降維就成為癌癥基因數(shù)

3、據(jù)分類的關(guān)鍵性問(wèn)題。本文首先運(yùn)用數(shù)據(jù)降維方法，對(duì)原始基因表達(dá)數(shù)據(jù)進(jìn)行降維，得到較低維度的數(shù)據(jù)之后，再對(duì)其進(jìn)行SVM分類。通過(guò)多種降維方法的比較以及SVM參數(shù)的合理設(shè)置，可以取得較高的癌癥診斷精度。文章中使用的數(shù)據(jù)降維方法有稀疏主成分分析，廣義判別分析和拉普拉斯特征值映射法等。
　　本文的研究重點(diǎn)是如何利用降維方法優(yōu)化數(shù)據(jù)，通過(guò)選擇兩組網(wǎng)絡(luò)公開(kāi)的數(shù)據(jù)集進(jìn)行相關(guān)實(shí)驗(yàn)，可得對(duì)于Prostate Tumor數(shù)據(jù)，GDA的降維效果最佳，而對(duì)