检索结果-南通市图书馆

检索条件"主题词=mRMR-ChiMIC算法"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于混合特征选择算法的肿瘤基因表达谱数据分析

基于混合特征选择算法的肿瘤基因表达谱数据分析

引用

作者：张琼枝湘潭大学

学位级别：硕士

随着人类基因组计划的实施和不断深入,产生了海量的生物数据,同时促使了DNA芯片技术的出现。肿瘤基因表达谱数据作为DNA芯片技术的一个产物,是人们研究肿瘤的良好数据来源。而肿瘤基因表达谱数据具有小样本、高维数、高噪声和高冗余的特... 详细信息

随着人类基因组计划的实施和不断深入,产生了海量的生物数据,同时促使了DNA芯片技术的出现。肿瘤基因表达谱数据作为DNA芯片技术的一个产物,是人们研究肿瘤的良好数据来源。而肿瘤基因表达谱数据具有小样本、高维数、高噪声和高冗余的特点,容易导致“维数灾难”和“过拟合”现象的出现,这给数据处理带来了极大的挑战。从原始的特征集中选出最优特征子集的技术（即特征选择）是解决这一挑战的有效途径。但是常规的特征选择算法已远远不能满足需要,因此,更为高效的特征选择算法显得尤为重要。最大相关最小冗余（mrmr）算法的目的是在原始特征集合中找出与类别最相关,而特征间具有最小冗余的特征子集,它是常被用于处理肿瘤基因表达谱数据的特征选择算法之一。但是,当给定的特征集维数较大时,该算法计算起来比较耗时。针对这一缺陷,本文提出改进的mrmr算法,即mrmr-chimic算法。该算法是将mrmr算法中度量相关性和冗余性的互信息（MI）用最大信息系数（MIC）来代替。目前特征选择算法的分类较多,每类算法也都有各自的优缺点。mrmr-chimic算法作为典型的过滤型算法,同大多数过滤法一样往往不能自动确定最优特征子集的大小。为了更高效的选取最优特征子集,本文结合过滤法和封装法的优点,将mrmr-chimic算法与Boruta算法相结合,提出了一种混合特征选择算法。该算法分为两个阶段:首先通过mrmr-chimic算法找到候选特征集,快速过滤掉一些不相关特征和冗余特征;接着使用Boruta算法从候选特征集中选出最优特征子集。通过DLBCL、Prostate和Leukemia三个常用的肿瘤基因表达谱数据集进行实验验证,结果表明,本文提出的混合特征选择算法与mrmr和SRCmrmr算法相比具有更高的分类准确率,而且得到的最优特征子集的维数也更小。

关键词：肿瘤基因表达谱数据特征选择 mrmr-chimic算法 Boruta算法混合特征选择算法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：