学位论文 > 优秀研究生学位论文题录展示

随机森林特征选择

作　者: 王全才
导　师: 林晓惠
学　校: 大连理工大学
专　业: 计算机应用技术
关键词: 随机森林特征选择代谢组学数据挖掘机器学习
分类号: TP311.13
类　型: 硕士论文
年　份: 2011年
下　载: 385次
引　用: 0次
阅　读: 论文下载

内容摘要

现如今,数据规模快速增长,使得如何从繁杂无序的数据中提取有用信息,成为摆在大家面前的一个课题。数据挖掘技术应运而生,凭借其优越性能已经被广泛的应用于复杂数据的分析。同时,机器学习技术日趋成熟和完善,越来越多的机器学习方法被应用到数据挖掘问题中。利用机器学习中的虑噪、特征选择等技术,可以有效的从大量繁杂数据中获取有价值的信息,这可以为后续分析研究打下坚实的基础。随机森林是一种优秀的机器学习方法,已经被成功的应用于许多领域。随机森林不仅可以解决分类问题和回归问题,在特征选择领域已经引起越来越多的关注。本文基于随机森林模型,针对其在代谢组学数据分析中的应用,进行了大量的研究。为了克服噪音数据对随机森林分类正确率的干扰,通过借助人工对照变量虑噪的方法,可以提高分类正确率。随机森林是通过对特征进行重要性度量的方式实现特征选择的,然而,简单的一次评分是不够的,因为有很大的随机成分,结合处理对象所属领域自身的特点,本文给出了一种有限制的迭代评价的随机森林特征选择方法。另外,特征选择结果的优劣,在很大程度上依赖于处理策略的设计,这不仅包含了处理流程策略的设计,还包括了模型构建策略的设计。最后,为了充分利用多种机器学习方法各自的优点,尽可能全面的理解处理对象,本文还提出了一种新的集成数据处理策略,把随机森林、支持向量机和遗传算法集成到一起。本文以随机森林为研究焦点,把其应用于代谢组学数据处理。代谢组学是生物信息学四大组学之一,代谢组学技术可以肯定身体已经发生的变化,这对疾病的诊断以及治疗有极其重要的意义。用人工对照变量辅助删除噪音时,构建的随机森林分类模型正确率由90.7%提高到94.4%；用迭代的随机森林特征度量方式特征选择时,五组正确率均很高,提取出18个可定性的重要特征；用多种方法集成处理数据时,模型的分类正确率均为100%,同时提取出31个重要特征。

全文目录

摘要  4-5
Abstract  5-8
1 绪论  8-14
  1.1 随机森林背景及发展现状  8-9
  1.2 特征选择技术简介  9-11
  1.3 代谢组学数据分析简介  11-12
  1.4 本章小结  12-14
2 随机森林及特征选择  14-22
  2.1 随机森林基本原理  14-17
    2.1.1 决策树  14-15
    2.1.2 随机森林  15-17
  2.2 随机森林的应用  17
  2.3 特征选择概述  17-18
  2.4 随机森林用于特征选择  18-20
  2.5 随机森林在代谢组学数据上的应用  20-21
  2.6 本章小结  21-22
3 融入新技术的随机森林特征选择技术  22-37
  3.1 结合人工对照变量的随机森林  22-26
    3.1.1 人工对照变量  22-24
    3.1.2 在色谱-质谱联用肝病数据上的应用  24-26
  3.2 迭代的随机森林特征选择  26-36
    3.2.1 迭代的特征评价(Recursive Feature Elimination,RFE)  26-28
    3.2.2 在液相反相正离子肝病数据上的应用  28-36
  3.3 本章小结  36-37
4 一种集成的特征选择方法  37-49
  4.1 多种机器学习方法的集成  37-38
  4.2 支持向量机  38-39
  4.3 遗传算法  39
  4.4 多种方法集成在时间序列数据上的应用  39-47
  4.5 本章小结  47-49
结论  49-50
参考文献  50-53
攻读硕士学位期间发表学术论文情况  53-54
致谢  54-55

随机森林特征选择

内容摘要

全文目录

相似论文