rL发电机

基于松弛套索和广义多类支持向量机的微阵列数据特征选择和肿瘤分类。目前,基因表达数据的研究为肿瘤分子水平的诊断提供了参考。如何从高维、小样本的基因表达数据中筛选出与分类相关的特征基因,成功地分离出肿瘤的不同亚型或正常人与患者之间的肿瘤亚型,是一项具有挑战性的任务。本文提出了一种新的肿瘤分类方法——松弛Lasso(最小绝对收缩选择算子)和广义多类支持向量机(rL GenSVM)。首先对肿瘤数据集进行z-score归一化处理。其次,利用松弛套索在训练集上选取特征基因集,最后用广义多类支持向量机(GenSVM)作为分类器。我们选取了四个二类数据集和四个多类数据集进行实验。并用四个分类器对测试集的分类精度进行预测和比较。与其他方法相比,我们对每个数据集的所有样本进行10倍交叉验证,获得了令人满意的分类精度。实验结果表明,该方法选择的特征基因少,分类精度高。rL-GenSVM利用正则化参数避免了过度拟合,可广泛应用于高维、小样本的肿瘤数据分类。源代码和所有数据集都可以在url{https://github.com/qst-AIBBDRC/rL GenSVM/}上找到。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换