面向基因表达数据的特征选择算法研究

• 作 者: 赵春
• 发表日期: 2011年期
• 关键词: 特征选择 互信息 特征子集评价 生物信息学 基因表达数据

生物信息学数据是一类在生命科学研究中所产生的数据,具有高维,小样本等显著特点,为了有效地分析该类数据,特征选择与降维处理是必不可少的步骤。生物信息学数据中的基因表达数据,与其他类型的数据相比,数据量更大,增长速度更快,其中隐含的生物信息学知识量也更为丰富,处理此种数据,以往常规的特征选择算法已远远不能满足需要。因此,更为高效的特征选择算法一直是该领域的研究热点。本文立足于基因表达数据的分析要求,紧扣其高维小样本的特点,提出了一种新的面向基因表达数据的特征选择算法。基于特征信息与类别信息之间的相关程度,以及各特征之间的冗余程度,本文定义了一个可同时表征相关程度与冗余程度的判别算子,以此算子的得分做为依据,实现最大相关最小冗余的特征选择。其次针对特征之间冗余程度的特殊性,提出了加权最大相关最小冗余的思想,进一步提高了算法的有效性。随后针对常规特征选择算法难以确定最优特征子集个数的问题,提出了一种基于模糊理论的非监督特征子集评价准则,从而实现最佳特征量的选择。实验数据采用经过预处理的数据挖掘后小鼠基因表达数据(采自Leiden University),以及白血病数据集及结肠癌数据集。实验结果表明,算法性能优良,无论在算法复杂度还是正确率方面效果均有所提高。