面向高维DNA数据的自动特征选择和特征子集稳定性研究.pdfVIP

重庆邮电大学硕士论文 摘要 摘要 基因芯片技术为肿瘤疾病的研究提供了一种全新的手段。在一次实验巾，人们 可以快速测量组织样本中成千上万个基因的表达数据，这在为收集基因表达数据带 来方便的同时，也为从海量基因表达数据中挖掘出有用的信息和知识带来了严峻的 挑战。由于微阵列基因表达数据是典型的高维小样本、高噪声数据，如何找出对疾 病最具分类识别能力、与疾病最相关且具有最小冗余度的特征基因子集，对肿瘤疾 病分类、病例诊断以及药物研制等具有重大意义。 因此，本文以肿瘤基因表达数据为研究对象，主要研究和探索基因表达数据特 征基因的选择数目及特征选择结果的稳定性，以此希望为生物领域专家后续肿瘤疾 病的研究提供稳定可靠的候选基因。全文的主要工作包括以下两个方面： (1)研究并实现了一种基于随机序列和相关信息熵的自动特征选择方法。 针对研究人员在分析基因特征选择算法时，对于到底选择多少个基因作为特征 子集没有定论，目前基因选择数目仍依赖于先验知识，研究人员在分析基因特征选 择算法时，主要采用交叉验证，依据测试结果人为的确定特征基因的数目，这往往 不能选择到最优的特征基因子集。本文提出了一种自动特征选择方法。首先，结合 非参数方法和filter思想，提出通过度量决策序列的“随机性”来计算每个基因的权 值并排序；然后，结合相关信息熵进行冗余去除，同时自动地选择出具有高分辨能 力、低冗余度的特征基因子集。实验结果表明，文中提出的方法能从多类别肿瘤基 因表达数据中自动选出30个具有良好分类能力的特征基因，且具有较高的正确识别 率。 (2)研究并实现了一种基于平均偏差的样本加权特征选择方法。 针对目前基因选择算法对测试样本数量的敏感性问题，即当基因表达数据的样 本数量变动时，通过同一特征选择算法得到的基因子集差异很大，甚至完全不同。 本文根据在同--iJll练集中，每个样本都具有独特性，每个样本的表达值是不同的， 不同的样本对特征选择结果的影响是不同的这一思想，提出了一种基于样本平均偏 差的稳定特征选择方法。首先，计算每个样本在所有基因上的平均偏差和，如果某 个样本的平均偏差和明显高于其它样本，那么该样本在训练集中的出现或者消失都 将会对特征选择结果产生重大影响，为了减小特征选择方法对样本变化的敏感性， 我们就对该样本赋予相对较小的权值。然后再结合基线算法进行基因选择，经实验 证明，在不降低特征子集分类性能的前提下，有效提高了特征选择结果的稳定性。 关键词：特征选择，基因微阵列，随机序列，相关信息熵，稳定性 重鏖业皇查兰堡圭丝茎 一 Ab。t，act ————————————————————————————————————一 !!兰!! Abstract DNA mmroarray anovel technologyprovides methodforthe ofturnor study diseasesin clinical domain．And amountof huge gene datacarlbe expression obtainedbv DNA mlcroarray experiments，whichresearchers gives withasevere on