分類器選擇集成及在基因數(shù)據(jù)分析中的應(yīng)用.pdf

1、集成學習方法是指對同一個問題，集成不同分類器的分類結(jié)果，以得到更好的分類性能。但并非集成學習方法中的每一個分類器對集成結(jié)果都是有效的，選擇性集成就是嘗試選擇出效果較好的分類器子集，提高整體的性能，并且減少集成的內(nèi)存需求和計算花費。
　　本文提出了兩種選擇性集成方法，一種是基于kappa系數(shù)的靜態(tài)選擇性集成，另一種是基于螢火蟲算法的動態(tài)選擇性集成。其中，靜態(tài)選擇方法適用于數(shù)據(jù)量較小的情況，動態(tài)選擇適用于數(shù)據(jù)量較大的情況。在進行分類器

2、選擇之前，先通過基于數(shù)據(jù)擾動的排序聚合算法選擇出與分類相關(guān)的基因，通過近鄰傳播聚類算法對基因進行分組，通過隨機的從每組中選擇一個基因用于構(gòu)成最后的基因子集。這樣得到的基因子集既與分類相關(guān)，基因之間的關(guān)聯(lián)性也不高。在得到基分類器之后，第一種方法是利用kappa閾值篩選出大于閾值的分類器，第二種方法是利用類似于聚類的方法選擇出精確度較高的且相互之間的差異也較大的分類器。
　　在5個基因數(shù)據(jù)集上的實驗結(jié)果表明，本文的兩種方法的精確度高于