基于旋轉森林的基因數(shù)據(jù)分類算法研究.pdf

1、利用基因表達數(shù)據(jù)分類對癌癥等惡性疾病進行識別，是數(shù)據(jù)挖掘技術在生物醫(yī)學領域內(nèi)的一個典型應用。決策樹算法作為一種基礎的機器學習算法，由于存在著理解性強，算法結構簡單等優(yōu)點被廣泛運用，因此也產(chǎn)生了許多變體和集成方法。由于旋轉森林算法在精度和集成度方面的優(yōu)勢而在近些年引起了研究者的關注。然而由于基因表達數(shù)據(jù)存在非線性和不平衡的特點，使得旋轉森林算法的性能還需要進一步提高。當考慮到所有的樣本存在不一樣的分類代價時，除了追求分類精度外，對代價因素

2、的處理也是一個必須面臨的問題。針對以上問題，本文結合基因表達數(shù)據(jù)的特點，進行了以下方面的研究：
　　(1)提出了一種基于核主成分分析的旋轉森林算法（KPCA-RoF）。利用核主成分分析實現(xiàn)數(shù)據(jù)從樣本空間到特征空間的非線性變換以及數(shù)據(jù)的差異性變換。借鑒支持向量機的思想和旋轉森林的集成方法，實現(xiàn)了基于核函數(shù)的旋轉森林算法。選擇高斯徑向基核函數(shù)為映射函數(shù)，并且對其中的參數(shù)進行了分析和選擇。實驗證明基于核主成分分析的旋轉森林在算法精度方面

3、優(yōu)于原始的算法，并且在較小的集成度時就可以達到良好的效果。
　　(2)結合幾種常用的代價因素類型，提出了嵌入代價敏感因素的旋轉森林學習算法（CS-RoF）。首先，通過改變EG2代價敏感決策樹屬性分裂的度量方法，嵌入誤分類代價和測試代價；其次，在C4.5_cs代價敏感決策樹的基礎上嵌入拒識代價，形成了同時具有誤分類代價和拒識代價的旋轉森林算法。實驗結論表明，代價敏感學習方法是解決數(shù)據(jù)不平衡性的良好途徑；同時嵌入代價敏感因素可以降低平