欢迎使用InfoCi平台
基于高级特征选择技术的类型组合方法模型特征选择在基因表达数据分类中的应用

基于高级特征选择技术的类型组合方法模型特征选择在基因表达数据分类中的应用

Siddesh G.M.、Gururaj T。
版权：© 2021|体积：15|问题：4|页：18
国际标准编号：1557-3958|EISSN公司：1557-3966|EISBN13：9781799859857|内政部：10.4018/IJCINI.20211001.oa46
引用文章引用文章

MLA公司

Siddesh G.M.和Gururaj T.“利用基于类型组合方法模型的特征选择和高级特征选择技术对基因表达数据进行分类”IJCINI公司2021年第4期第15卷：第1-18页。http://doi.org/10.4018/IJCINI.20211001.oa46

亚太地区

Siddesh G.M.和Gururaj T.（2021年）。利用基于类型组合方法模型的特征选择和高级特征选择技术对基因表达数据进行分类。国际认知信息学与自然智能杂志（IJCINI），15(4), 1-18. http://doi.org/10.4018/IJCINI.20211001.oa46

芝加哥

Siddesh G.M.和Gururaj T.“利用基于类型组合方法模型的特征选择和高级特征选择技术对基因表达数据进行分类”国际认知信息学与自然智能杂志（IJCINI）15，4号：1-18。http://doi.org/10.4018/IJCINI.20211001.oa46

导出参考

门德利
收藏夹完整发布下载

摘要

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。提出的类型组合方法-特征选择（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。将这三种提出的技术与现有技术进行了比较，并通过（i）稳定性测定测试进行了验证。（ii）分类精度。（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。