学位论文 > 优秀研究生学位论文题录展示

组特征选择算法及其应用研究

作　者: 崔春燕
导　师: 杨明
学　校: 南京师范大学
专　业: 计算机应用技术
关键词: 特征选择组特征选择基因选择微阵列数据分析
分类号: Q811.4
类　型: 硕士论文
年　份: 2013年
下　载: 2次
引　用: 0次
阅　读: 论文下载

内容摘要

在生物信息学中,基于基因表达微阵列数据的分类模型以及特征选择算法已成为机器学习和数据挖掘领域的研究热点。由于基因存在共调控现象,即存在一系列共同发挥作用的基因,从而导致微阵列数据中存在特征组。目前,领域专家希望能够发现这些相关基因组成的特征组以进行深入研究,因此本文重点研究组特征选择算法,在降低特征个数提高分类精度的同时,发现数据中存在的关键特征组,为领域专家提供更多的底层数据关系信息。根据特征组发现方式的不同,组特征选择算法一般分为两类：显式组特征选择和隐式组特征选择。显式组特征选择先根据一定准则将特征划分为若干个特征组,且组内特征彼此高度相关,然后在特征组的层次上进行选择。隐式组特征选择则不直接找出特征组,而是根据其特征选择的结果识别特征组。围绕上述两类组特征选择算法,本文的主要工作如下：1.提出了一个基于特征聚类的显式组特征选择算法FC-gRFE (Feature Clustering based Group SVM-RFE)。该算法首先对样本进行特征聚类,将每个聚类看作一个特征组,然后在特征组的层次上利用SVMRFE进行特征选择,得到最后的组特征选择结果。考虑到样本个数变化对特征聚类的影响,提出了SW-gRFE算法(Sample Weighting FC-gRFE),该算法首先根据样本重要性计算样本权重,然后在加权样本集上进行FC-gRFE组特征选择。微阵列数据集上的实验结果表明,该算法可以在不牺牲分类精度的前提下,有效发现数据中存在的特征组。2.提出了一个基于改进权重的隐式组特征选择算法CW-groupS (Coefficient Weight group feature Selection)。该算法首先利用稀疏模型Elastic Net对每一个特征在原始训练样本的特征集上进行稀疏编码,然后根据这些判别性比原始特征更强的编码来计算特征之间的相关性,最后求解基于特征相关性加权的Fused Lasso模型,得到具有组效应的稀疏特征系数,即为组特征选择结果。本文利用FISTA算法实现了CW-groupS算法的快速求解。仿真数据集上以及微阵列数据集上的实验结果验证了该算法的有效性。3.提出了一个集成的显式组特征选择算法EN-gRFE (ENsemble FC-gRFE)。该算法将在多个采样数据集上的FC-gRFE组特征选择结果归并为一个有重复特征的特征集,找出其中重复次数最多的若干个特征并进行聚类,从而得到最后的组特征选择结果。微阵列数据集上的实验结果验证了该算法的有效性。

全文目录

摘要  4-5
Abstract  5-9
第1章绪论  9-15
  1.1 课题研究背景及意义  9-10
  1.2 国内外研究现状  10-13
  1.3 论文的主要工作  13
  1.4 论文的组织结构  13-15
第2章两种经典的组特征选择算法介绍  15-20
  2.1 预备知识  15-16
    2.1.1 特征选择的概念  15
    2.1.2 特征选择方法的基本步骤  15-16
    2.1.3 特征选择方法的分类  16
  2.2 两种组特征选择方法介绍  16-19
    2.2.1 组特征选择的概念  16
    2.2.2 显式组特征选择  16-17
    2.2.3 隐式组特征选择  17-19
  2.3 本章小结  19-20
第3章基于特征聚类的显式组特征选择算法FC-gRFE和SW-gRFE  20-31
  3.1 引言  20
  3.2 预备知识  20-23
    3.2.1 SVMRFE算法介绍  20-21
    3.2.2 基于间隔向量的样本加权算法介绍  21
    3.2.3 基于均值漂移的聚类算法介绍  21-23
  3.3 基于特征聚类的显式组特征选择算法FC-gRFE和SW-gRFE  23-25
    3.3.1 算法思想  23-24
    3.3.2 算法描述  24-25
  3.4 实验  25-30
    3.4.1 实验数据及参数设置  25-27
    3.4.2 实验结果及分析  27-30
  3.5 本章小结  30-31
第4章基于改进权重的隐式组特征选择算法CW-groupS  31-46
  4.1 引言  31
  4.2 Weight Fusion模型介绍  31-32
  4.3 CW-groupS模型及其快速求解算法  32-36
    4.3.1 算法思想  32-35
    4.3.2 算法描述  35-36
  4.4 实验  36-45
    4.4.1 实验数据及参数设置  36-37
    4.4.2 实验结果及分析  37-45
  4.5 本章小结  45-46
第5章集成的组特征选择算法EN-gRFE  46-52
  5.1 引言  46-47
  5.2 集成的组特征选择算法框架  47-48
  5.3 集成的组特征选择算法EN-gRFE  48
    5.3.1 算法思想  48
    5.3.2 算法描述  48
  5.4 实验  48-51
    5.4.1 实验数据与设置  48
    5.4.2 实验结果及分析  48-51
  5.5 本章小结  51-52
第6章总结与展望  52-54
  6.1 工作总结  52-53
  6.2 工作展望  53-54
参考文献  54-58
附录  58-59
致谢  59

组特征选择算法及其应用研究

内容摘要

全文目录

相似论文