版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、基因芯片技術(shù)為疾病診斷、治療以及新藥物的開發(fā)提供了新的方法和手段。同時(shí),基因芯片技術(shù)的運(yùn)用也產(chǎn)生了大量的疾病相關(guān)的基因表達(dá)數(shù)據(jù)。對(duì)這類數(shù)據(jù)進(jìn)行分析和處理,使人們能夠從基因分子層面上了解癌癥的發(fā)病機(jī)制,從而更加準(zhǔn)確地進(jìn)行癌癥的診斷,引起了人們極大的興趣。
集成學(xué)習(xí)方法通過采用多個(gè)學(xué)習(xí)器對(duì)同一個(gè)問題進(jìn)行學(xué)習(xí),并把多個(gè)學(xué)習(xí)結(jié)果按照某一方式融合成一個(gè)學(xué)習(xí)結(jié)果,與單個(gè)學(xué)習(xí)器相比,具有更好的魯棒性和準(zhǔn)確性,因而被廣泛應(yīng)用到數(shù)據(jù)挖掘的各個(gè)研
2、究領(lǐng)域,尤其是癌癥相關(guān)的基因表達(dá)數(shù)據(jù)分析領(lǐng)域。本文主要圍繞集成學(xué)習(xí)方法在癌癥相關(guān)的基因表達(dá)數(shù)據(jù)分類中的運(yùn)用展開研究。
針對(duì)傳統(tǒng)排序聚合方法可能忽視單次排序中得分較高的基因以及所產(chǎn)生的基因子集內(nèi)存在冗余基因的問題,采用近鄰傳播聚類的方法從所有單次排序得分較高的前TopK個(gè)基因中選擇具有代表性的、互不關(guān)聯(lián)的基因用于癌癥基因表達(dá)數(shù)據(jù)分類。在7個(gè)常用的基因表達(dá)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明本文提出的方法在相同基因個(gè)數(shù)的條件下具有更好的魯棒性,同
3、時(shí)能夠獲得較好的分類效果。
針對(duì)基因表達(dá)數(shù)據(jù)分析時(shí)通常選擇一個(gè)基因子集用于分類可能造成信息損失的問題,借鑒集成特征選擇方法的思想,在排序融合和聚類分組的基礎(chǔ)上,從所有基因分組中采用隨機(jī)選擇的方式選擇一條基因生成基因子集,重復(fù)多次得到多個(gè)基因子集并分別訓(xùn)練基分類器,從而得到了多個(gè)既存在差異性,又具備區(qū)分能力的基分類器,最后采用多數(shù)投票進(jìn)行融合集成。在7個(gè)基因表達(dá)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明提出的方法分類誤差較低,分類性能穩(wěn)定,可擴(kuò)展性
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于基因表達(dá)數(shù)據(jù)的樣本分類研究.pdf
- 基于半監(jiān)督與集成學(xué)習(xí)的文本分類方法研究.pdf
- 54354.基于基因表達(dá)譜的樣本分型與分類研究
- 基于層次分類和集成學(xué)習(xí)的文本分類技術(shù)研究.pdf
- 基于SNP特征的樣本分類.pdf
- 微陣列數(shù)據(jù)分析中的基因選擇及樣本分類方法研究.pdf
- 宏基因組樣本分類方法研究.pdf
- 通過標(biāo)記樣本與未標(biāo)記樣本學(xué)習(xí)文本分類規(guī)則.pdf
- 基于選擇性集成的半監(jiān)督中文文本分類研究.pdf
- 基于RBFNN的復(fù)雜樣本分類研究.pdf
- 融合非標(biāo)記樣本選擇的集成學(xué)習(xí)研究.pdf
- 基于新型多標(biāo)記集成學(xué)習(xí)方法的文本分類研究.pdf
- 遷移與集成學(xué)習(xí)在文本分類中的應(yīng)用研究.pdf
- 基于KNN的文本分類特征選擇與分類算法的研究與改進(jìn).pdf
- 基于集成SVM的文本分類方法研究.pdf
- 基于樣本選擇的復(fù)雜分類問題研究.pdf
- 基于視頻樣本分類的事件庫構(gòu)建方法研究.pdf
- 基于選擇性集成學(xué)習(xí)的支持向量機(jī)分類研究.pdf
- 基于樣本選擇的近鄰分類算法研究.pdf
- 基于深度學(xué)習(xí)的文本分類研究.pdf
評(píng)論
0/150
提交評(píng)論