基于監(jiān)督學(xué)習(xí)的腫瘤特征基因選擇方法研究.pdf

1、機(jī)器學(xué)習(xí)主要是一種基于數(shù)據(jù)的概率統(tǒng)計模型，它推理和發(fā)現(xiàn)數(shù)據(jù)中的知識，并利用抽象出的數(shù)據(jù)模型對數(shù)據(jù)進(jìn)行分析與預(yù)測。數(shù)據(jù)質(zhì)量的優(yōu)劣直接影響機(jī)器學(xué)習(xí)的性能。在醫(yī)學(xué)領(lǐng)域，基因表達(dá)譜數(shù)據(jù)獲取過程中含有較大的實驗誤差，且隨著數(shù)據(jù)維度的急速增加會含有大量的無關(guān)基因及冗余基因，這些信息不僅降低了機(jī)器學(xué)習(xí)算法的性能，而且也為腫瘤診斷與預(yù)測帶來了巨大的挑戰(zhàn)。為此，針對高維少樣本的基因表達(dá)數(shù)據(jù)，需探索魯棒性更強、更具解釋性的算法模型，從海量數(shù)據(jù)中找出關(guān)鍵的信

2、息基因?qū)δ[瘤疾病的診斷具有重大的研究意義和應(yīng)用價值。
　　針對當(dāng)前基因特征選擇算法普遍存在泛化能力較差和運行效率較低的問題，本文主要從監(jiān)督學(xué)習(xí)角度研究腫瘤基因表達(dá)譜，選取高度相關(guān)、低度冗余的特征子集，提高算法的分類精度和運行效率。本文的創(chuàng)新點如下:
　　(1)為解決傳統(tǒng)基因選擇方法會選出大量無關(guān)基因從而導(dǎo)致樣本預(yù)測準(zhǔn)確率較低的問題，本文提出了一種基于logistic與相關(guān)信息熵的特征基因選擇方法。首先采用logistic回歸

3、模型比較兩個條件概率值的大小，獲得對分類影響較大的基因，可有效降低后續(xù)計算的時空消耗;其次引入Relief算法計算特征基因的重要性并排序，刪除無關(guān)特征以生成候選特征基因子集;然后構(gòu)建相關(guān)系數(shù)矩陣，依此衡量特征基因間的相關(guān)性，剔除冗余基因，在一定程度上避免了樣本數(shù)據(jù)與模型出現(xiàn)過擬合;最后利用支持向量機(jī)作為分類器對得到的特征基因子集進(jìn)行分類。通過UCI數(shù)據(jù)集的交叉檢驗結(jié)果表明，所提出的方法能有效剔除無關(guān)基因且獲得較高的正確識別率。
　

4、　(2)鑒于傳統(tǒng)基因選擇方法會選出大量冗余基因從而導(dǎo)致樣本預(yù)測準(zhǔn)確率較低的問題，本文提出一種基于信噪比與鄰域粗糙集的特征基因選擇方法。首先從度量特征權(quán)重角度入手，采用改進(jìn)信噪比指標(biāo)選出預(yù)選特征基因子集，將獲得的信噪比值劃分為不同區(qū)間，選取信噪比值較大區(qū)間內(nèi)的基因作為候選特征基因子集;在此基礎(chǔ)上，從屬性約簡思想出發(fā)，利用鄰域粗糙集剔除候選特征基因子集中的冗余基因，獲得較優(yōu)特征基因子集;最后利用三種不同的分類器對特征基因子集進(jìn)行分類。實驗結(jié)

5、果表明，該算法能獲得較小的特征基因子集，且提高了樣本分類正確率。
　　(3)針對現(xiàn)有特征選擇方法未充分考慮特征之間的相關(guān)性導(dǎo)致較低分類準(zhǔn)確率的問題，本文提出了一種基于統(tǒng)計特性的鄰域粗糙集腫瘤基因選擇方法。該算法從基因表達(dá)譜特征選擇模型入手，首先，分析特征基因的度量方法，引入相對信息熵從而建立新的評價準(zhǔn)則衡量特征基因的重要度;其次，在SVM_FRE算法中引入構(gòu)建特征相關(guān)性計算模型，綜合考慮特征基因之間的相關(guān)性對分類樣本的聯(lián)合貢獻(xiàn)度;