论文部分内容阅读
选择性集成学习已经成为分析基因表达数据获取生物学信息的有力工具。为了更好地挖掘基因表达数据，利用极限学习机的集成，克服单个ELM用于数据分类时性能欠稳定的缺点，该文提出了一种基于输出不一致测度的ELM相异性集成算法(D-D-ELM)。算法首先以输出不一致测度为标准对多个ELM模型进行相异性判断，其次根据ELM的平均分类精度剔除掉相应的模型，最后对筛选后的分类模型通过多数投票法进行集成。算法运用到Breast、Leukemia、Colon、Heart基因表达数据上，并从理论和实验给予验证，实验结果显示能够以更少的模型数量达到较稳定的分类精度。