×
郭舜;郭东辉;陈立飞;姜庆山

一种用于微阵列数据分类的基于质心的基因选择方法。 （英语） Zbl 1343.92012年

J.西奥。生物。 400, 32-41 (2016).
摘要：对于基于微阵列数据的分类问题，数据通常包含大量无关和冗余的特征。本文提出了一种新的基因选择方法，在去除不相关和冗余特征的情况下，为微阵列数据选择最佳特征子集。基于新定义的线性判别分析准则，我们将选择问题表示为L1规则优化问题。用基于核的方法估计类质心来定义准则的类间可分性和类内紧性，而不是计算样本的平均值。理论分析表明，在一般条件下，可以达到L1正则化准则的全局最优解，在此条件下，针对特征数量和样本数量的线性时间复杂度下的特征选择问题，导出了一种有效的算法。在十个公开的微阵列数据集上的实验结果表明，与最新的方法相比，该方法的性能有效且具有竞争力。

引用于2文件

MSC公司：

92B15号机组 普通生物统计学
62页第10页 统计学在生物学和医学中的应用；元分析
62H30型 分类和区分；聚类分析（统计方面）
92D10型 遗传学和表观遗传学

关键词：

类形心;微阵列数据;分类;L1正则化;基因选择
PDF格式BibTeX公司 XML格式引用
\textit{S.Guo}等人，J.Theor。生物学400，32-41（2016；Zbl 1343.92012）
全文： 内政部

参考文献：

[1] Argyriou，A。；Evgeniou，T。；Pontil，M.，多任务特征学习，高级神经信息处理。系统。，20, 41-48 (2007)
[2] 阿特克森，C。；摩尔，A。；Schaal，S.，局部加权学习，Artif。智力。修订版，11，11-73（1997）
[3] 波隆-卡内多，V。；Sánchez-Maroño，N。；Alonso-Betanzos，A.，微阵列数据集和应用特征选择方法综述，信息科学。，282, 111-135 (2014)
[5] Chandrashekar，G。；Sahin，F.，特征选择方法综述，计算机。选举人。工程，40，16-28（2014）
[6] Chen，C.H.，关于一类计算效率高的特征选择准则，模式识别。，7, 1, 87-94 (1975) ·Zbl 0318.68065号
[7] Dai，Y.H。；Yuan，Y.，一种具有强全局收敛性的非线性共轭梯度法，SIAM J.Optim。，10, 177-182 (2000) ·兹比尔0957.65061
[8] Duan，K.B。；贾加特；拉贾帕克塞，C。；Minh，N.N.，One-Versus-One和One-Versus All多类SVM-RFE，用于癌症分类中的基因选择。生物信息学中的进化计算、机器学习和数据挖掘，47-56（2007），施普林格-柏林-海德堡
[9] Fletcher，R.，《实用优化方法》（1997），John Wiley:John Wiley纽约·Zbl 0905.65002号
[10] Fisher，R.A.，《分类问题中多重测量的使用》，Ann.Eugen。，7, 2, 179-188 (1936)
[11] Fu，K。；最小值，P。；Li，T.，模式识别中的特征选择，IEEE Trans。系统。科学。赛博。，1, 6, 33-39 (1970) ·Zbl 0195.49201号
[12] Fakhraei，S。；Soltanian-Zadeh，H。；Fotouhi，F.，用于特征排序和选择的单变量分类器的偏差和稳定性，专家。系统。应用。，41, 15, 6945-6958 (2014)
[14] Guyon，我。；Elisseeff，A.，《变量和特征选择简介》，J.Mach。学习。第3号决议，1157-1182（2003年）·Zbl 1102.68556号
[15] Guyon，我。；韦斯顿，J。；巴恩希尔，S。；Vapnik，V.，使用支持向量机进行癌症分类的基因选择，Mach。学习。，46, 389-422 (2002) ·Zbl 0998.68111号
[16] 他，X。；蔡，D。；Niyogi，P.，特征选择的拉普拉斯分数，高级神经信息处理。系统。，507-514 (2005)
[17] 洛杉矶库根。；Cios，K.J。；Tadeusiewicz，R。；奥吉拉，M。；Goodenday，L.S.，自动心脏spect诊断的知识发现方法，Artif。智力。医学，23，149-169（2001）
[18] 曹乐，K.A。；阀盖，A。；Gada，S.，用随机算法进行多类分类和基因选择，计算。统计数据分析。，53, 3601-3615 (2009) ·Zbl 1453.62057号
[19] 李，C。；Shao，Y。；邓，N.，稳健L1-型二维线性判别分析，神经网络。，25, 92-104 (2015) ·Zbl 1394.68298号
[20] 李，H。；姜涛（Jiang，T.）。；Zhang，K.，基于最大裕度准则的高效稳健特征提取，IEEE Trans。神经网络。，17, 1, 157-165 (2006)
[21] 刘，H。；Yu，L.，《面向分类和聚类的集成特征选择算法》，IEEE Trans。知识。数据工程，17，4，491-502（2005）
[22] 刘，B。；方，B。；刘，X。；陈，J。；黄，Z。；何某，特征选择的大边距子空间学习，模式识别。，462798-2806（2013年）·Zbl 1323.68458号
[23] 卢，X。；邓，Y。；Huang，L.，基于共表达模块的癌症识别基因选择，J.Theor。《生物学》，36275-82（2014）·Zbl 1307.92083号
[25] 聂，F。；黄，H。；蔡，X。；Ding，C.，通过联合l2，1范数最小化进行有效且稳健的特征选择，高级神经信息处理。系统。，23, 1813-1821 (2010)
[27] 哦，我说。；Lee，J.S。；Moon，B.R.，特征选择的混合遗传算法，模式分析。机器。智力。，26, 22, 1424-1437 (2004)
[28] Ooi，C.H。；Tan，P.，遗传算法应用于基因表达数据分析的多类预测，生物信息学，19，37-44（2003）
[29] Powell，M.J.D.，非凸极小化计算和共轭梯度法（1984），Springer Berlin Heidelberg·Zbl 0531.65035号
[30] 彭，H。；长，F。；Ding，C.，基于最大相关性、最大相关性和最小冗余的互信息准则的特征选择，IEEE Trans。模式分析。机器。智力。，27, 8, 1226-1238 (2005)
[31] O·理查德。；杜达；彼得·E。；哈特；David，G.，《鹳类模式分类》（2001），John Wiley:John Wiley Sons，纽约·Zbl 0968.68140号
[32] Saeys，Y。；Inza；在；Larrañaga，P.，《生物信息学中的特征选择技术综述》，生物信息学，23，19，2507-2517（2007）
[33] Sharma，A。；Imoto，S。；Miyano，S.，微阵列基因表达数据的top-r特征选择算法。IEEE/ACM传输，计算。生物信息学。，9, 754-764 (2012)
[34] 史，J。；尹，W。；Osher，S。；Sajda，P.A.，大规模l1-正则逻辑回归的快速混合算法，J.Mach。学习。第11713-741号决议（2010年）·兹比尔1242.62078
[35] Sun，S。；彭，Q。；Shakoor，A.，基于核的微阵列数据分类多元特征选择方法，PLoS One，9，7，e102541（2014）
[36] Sugiyama，M.，通过局部fisher判别分析对多模态标记数据进行降维，J.Mach。学习。研究，81027-1061（2007）·兹比尔1222.68312
[37] 孙，Y。；托多罗维奇，S。；Goodision，S.，高维数据分析中基于局部学习的特征选择，IEEE Trans。模式分析。机器。智力。，32, 1610-1626 (2010)
[38] Tan，M。；曾荫权（Tsang，I.）。；Wang，L.，超高维特征选择的Minimax稀疏逻辑回归，IEEE Trans。神经网络。学习。系统。，24, 1609-1622 (2013)
[39] Tibshirani，R.，通过Lasso，J.R.Stat.Soc.B进行回归收缩和选择，58，267-288（1996）·Zbl 0850.62538号
[40] 货车；Veer，L。；戴，H。；van，de；Vijver，M.，基因表达谱预测乳腺癌的临床结局，《自然》，415530-536（2002）
[41] Wang，H。；胡，Z。；郑伟，用L1-形式进行Fisher判别分析，IEEE Trans。赛博。，44, 653-662 (2014)
[42] Wang，L.，具有核类可分性的特征选择，IEEE Trans。模式分析。机器。智力。，30, 1534-1546 (2008)
[44] Wang，Y。；Klijn，J.等人。；Zhang，Y.，预测淋巴结阴性原发性乳腺癌远处转移的基因表达谱，《柳叶刀》，365671-679（2005）
[45] 袁国喜。；Ho，C.H。；Lin，C.J.，《L1正则化逻辑回归和支持向量机的改进GLMNET》，J.Mach。学习。1999年至2003年（2012年）第13号决议·Zbl 1432.68404号
[46] Ye，J。；Janardan，R。；Park，C.H.，欠采样问题广义判别分析的优化准则，IEEE Trans。模式分析。机器。智力。，26, 8, 982-994 (2004)
[47] 赵，Z。；Wang，L。；刘，H。；Ye，J.，《关于保持相似性的特征选择》，IEEE Trans。知识。数据工程，25，619-632（2013）
[48] 钟，F。；Zhang，J.，基于L1-形式最大化的线性判别分析，IEEE Trans。图像处理。，22, 3018-3027 (2013) ·Zbl 1373.94755号
[49] 周，X。；Tuck，D.P.，MSVM-RFE:SVM-RFE在DNA微阵列数据上用于多类基因选择的扩展，生物信息学，231106-1114（2007）
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。