线性判别分析和降维方法应用于基因芯片数据分析.pdfVIP

第22卷第1期 甘肃联合大学学报(自然科学版) Vo1．22 No．1 2008年 1月 Journal of Gansu Lianhe University(Natural Sciences) Jan．2008 文章编号：1672—691X(2008)01—0029—06 线性判别分析和降维方法应用于基因芯片数据分析 胡 煜 (广东工贸职业技术学院，广东 广州 510500) 摘 要：主要采用偏最小二乘法和线性判别分析(LDA)有监督分类的方法来对基因芯片(微阵列)数据进行分 析．PCA，PLS是一种提取海量数据有效特征的有效方法，而且可以获得与原来基因芯片数据更为接近的成分 的提取特征的效果．比较PCA降维和PLS降维对LDA统计判别分类的效果．得出的结论可为工业应用提供 科学依据． 关键词：基因芯片数据分析；偏最小二乘法(PLS)；主分量分析(PCA)；线性判别分析(LDA) 中图分类号：0235 文献标识码：A 一 主成分最能反映数据间的差异．通过合并原来 0 引言 的维数得到更少的维数来表示对象，同时要求新 本文的Prostate基因数据库是样本数为102 的维数必须尽可能地反映原有维数所反映的信 个，基因数为6033个．所以直接对这么庞大的矩 息，它有较少的信息丢失．有助于简化分析和多 阵，使用分类方法来处理基因数据不仅计算量大， 维数据的可视化 ]． 而且效果也并不理想．由于基因数据库一般都比 为了提取数据的性质而把数据降维映射到新 较庞大，在pc机上直接对数据进行处理(分类与 的变量空间上，PCA跟一个数学技术——奇异 聚类)将会遇到两方面的困难，一方面是对计算机 值分解(SVD)关系非常密切，且主分量分析跟奇 内存存储量的海量要求，另一方面是对计算机 异值分解作用在数据的协方差矩阵上是相同的． CPU计算速度的快速要求．一般pc机很难达到 设由N个样本排成一个d×N的矩阵X，即 这些要求．因此，在基因数据处理之前先对其进行 X一(X。，X：，…，X )，样本的总体均值： “瘦身”是很有必要的．在实际操作上，我们一般先 1 一 x ． 通过特征选择或者特征提取，得到考察基因的某 一 一 1 个特征子集，然后再使用此子集进行模型比较[】]． X为X的中心化矩阵： 本文基于统计方法的模式识别系统主要由三 X一 (X1一 ，X2一 ，…，XN一 )L ． 个部分组成：数据获取和预处理，特征提取与选 总差异矩阵(Total Scatter Matrix)S，： N 择，分类决策．主要工作：比较PCA降维分类， S，一∑(x 一 )(x 一 ) 一藤 ． PLS降维分类对 LDA统计判别得出分类的效 一1 果．得出的结论为工业应用提供科学依据． PCA应用于生物基因，目的就是找到一个线性变 换，或者称为投影矩阵wPc ∈ ，将原来d维 1 特征提取