解决分类问题的一个关键步骤是选择用于删除冗余和无关基因的基因。所提出的类型组合方法\u2013Feature Selection（TCA-FS）模型使用了有效的特征选择方法，可以提高分类精度。选取K近邻（KNN）、支持向量机（SVM）和随机森林（RF）三种分类器对所选特征选择方法和预测精度进行评估。分析了三种新的特征选择方法，即改进的递归特征消除（IRFE）、修正的最大信息协同（RMIC）和改进的掩模油漆（UMP）的效果。将这三种提议的技术与现有技术进行了比较，并通过（i）稳定性测定试验进行了验证。（ii）分类准确性。（iii）分析了三种拟议技术的错误率。由于选择了合适的分类阈值，与现有系统相比，所提出的TCA-FS方法具有更高的精度<\/p> “，”DOI“：”10.4018\/ijcini.20211001.oa46“，”type“：”journal-article“，”created“：{”date-parts“：[[2021,8,5]]，”date-time“：”2021-08-05T17:12:03Z“，”timestamp“：1628183523000}，”page“：“1-18”，”source“：‘Crossref’，”is-referenced-by-count“：0，”title“：[”使用基于高级特征选择技术的基于类型组合方法模型的特征选择对基因表达数据进行分类“]，”前缀“：”10.4018“，”卷“：”15“，”作者“：[{”家族“：”Siddesh G.M.“，”序列“：”第一“，”从属关系“：[[{“name”：“印度班加罗鲁拉米亚理工学院”}]}，{“family”：“Gururaj T.”，“sequence”：“additional“，”affiliation“：[{”name“：”Ramaiah Institute of Technology，Bengaluru，India“}]}]，”member“：”2432“，”container-title“：[”International Journal of Cognitive Informatics and Natural Intelligence“]，”original-title”：[]，”language“：”ng“，”link“：[}”URL“：”https:\/\/www.igi-global.com\/viewtitle.aspx？TitleId=278400“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2023,1,16]]，”date-time“：”2023-01-16T21:48:28Z“，”timestamp“：1673905708000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/services.igi-global.com/resolvedoi\/resolve.aspx？doi=10.4018\/IJCINI.20211001.oa46”}}，“副标题”：[“”]，“短标题”：[]，“发布“：{“date-parts”：[[2021,8,5]]}，“references-count”：0，“journal-issue”：{问题：“4”，“published-print”：{“date-ports”：[2021,10]]}}，”URL“：”http://\/dx.doi.org\/10.4018\/ijcini.20211001.oa46“，”关系“：{}，‘ISSN’：[”1557-3958“，”1557-39“]，”ISSN-type“：[{”value“：“1557-3958”，“type”：“print”}，{“value”：”1557-3966“，”type“：”electronic“}]，“subject”：[]，“已发布”：｛“日期部分”：[[2021,8,5]]｝｝