پیش بینی ژن‏ های بیماری با استفاده از دسته‏ بند تک کلاسی ماشین بردار پشتیبان

Authors

اکرم وثیقی ذاکر

akram vasighi zaker tarbiat modares university, jalal ale ahmad highway, p.o.box: 14115-111, tehran, iranتهران، جلال آل احمد، پل نصر، دانشگاه تربیت مدرس ، صندوق پستی : 111-14115 سعید جلیلی

saeed jalili tarbiat modares university, jalal ale ahmad highway, p.o.box: 14115-111, tehran, iranتهران، جلال آل احمد، پل نصر، دانشگاه تربیت مدرس ، صندوق پستی : 111-14115

abstract

چکیده: در بحث شناسایی و دسته‏بندی ژن‏های بیماری، متخصصان تنها به دسته‏بندی یک کلاس خاص، یعنی ژن‏های بیماری علاقمند هستند و توجهی به کلاس‏های دیگر، یعنی ژن‏های غیربیماری ندارند. در مباحث یادگیری ماشین، این کاربرد تحت عنوان دسته‏بندی تک کلاسی مطرح می شود. روش‏های موجود مبتنی بر یادگیری معمولا ژن‏های شناخته شده بیماری را به عنوان مجموعه آموزشی مثبت، و ژن‏های ناشناخته را به عنوان مجموعه آموزشی منفی برای ایجاد یک دسته‏بند دودویی استفاده می کنند. از آنجاییکه در پایگاه داده‏های موجود در علم ژنتیک مجموعه ژن غیربیماری وجود ندارد، ما در این مقاله با استفاده از روش دسته‏بند تک‏کلاسی ماشین بردار پشتیبان و در نظر گرفتن تنها ژن‏های بیماری‏زا اقدام به شناسایی داده‏های بدون برچسب‏ می‏کنیم. روش پیشنهادی نسبت به روش‏های موجود از لحاظ معیار‏های دقت، بازخوانی و معیارf1  نتایج بهتری را ارایه می دهد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش بینی ژن‏ های بیماری با استفاده از دسته‏ بند تک‌کلاسی ماشین بردار پشتیبان

Abstract: In disease gene identification and classification, users are only interested in classifying one specific class, disease genes, without considering other classes (non-disease genes). This situation is referred to as one-class classification. Existing machine learning-based methods typically use known disease gene as positive training set and unknown genes as negative training set to bu...

full text

توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی

درماندگی مالی پیش از ورشکستگی مالی رخ می‌دهد و پیش بینی موثر آن یک مسئله‌ی مهم و چالش برانگیز برای شرکت‌ها می‌باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می‌پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن‌ها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی م...

full text

پیش بینی عمق آب شستگی اطراف پایه پل با استفاده از ماشین های بردار پشتیبان

چکیده- آب شستگی یکی از مهم ترین عوامل خرابی پل ها است. بنابر این، تخمین عمق آب شستگی پای پل ها اهمیت زیادی برخوردار دارد. تاکنون فرمول ها و روابط تجربی زیادی برای تخمین عمق چاله آب شستگی ارائه شده است؛ اما این روابط از دقت مناسبی برخوردار نیستند. علاوه بر این، پیچیدگی مدل سازی فرایند آب شستگی سبب شده است تا از روش های جایگزین روابط تجربی، مانند روش های داده کاوی برای تخمین عمق آبشستگی پای پل ها...

full text

دسته بندی سبک های یادگیری با استفاده از ویژگی های رفتاری و ماشین بردار پشتیبان دو قلو

موفقیت تحصیلی دانشجویان از اهداف مهم در محیط‌های آموزشی است. یکی از عوامل مهم در تحقق این هدف، توجه به سبک یادگیری دانشجویان است. آگاهی از سبک یادگیری دانشجویان به طراحی یک روش مناسب آموزش کمک می‌کند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد دانشجویان در محیط آموزشی می‌شود. در این مقاله، هدف ساخت یک مدل برای تشخیص خودکار سبک‌های یادگیری است. بدین منظور از یک محیط آموزش الکترونیکی متشکل ا...

full text

پیش بینی مقاومت دارویی ویروس hiv با استفاده از ماشین های بردار پشتیبان

مقدمه: پژوهش حاضر با هدف بررسی عملکرد روش یادگیری ماشین های بردار پشتیبان برای پیش بینی مقاومت دارویی ویروس hiv) یا (human immunodeficiency virus استفاده از تحلیل دنباله ی آمینو اسیدها انجام گرفت. روش ها: در این مطالعه از ماشین های بردار پشتیبان استفاده شد؛ همچنین برای آموزش و آزمایش ماشین های بردار پشتیبان از نرم افزار libsvm) یا  (library for support vector machinesاستفاده گردید. یافته ها: نت...

full text

پیش بینی فصلی خشکسالی هواشناسی با استفاده از ماشین های بردار پشتیبان

در تحقیقات مختلف، پارامترهای هواشناسی متفاوتی در پیش بینی دوره های کم بارش مورد توجه قرار گرفته اند. در این تحقیق نمایه بارش استاندارد شده (spi) برای 6 سناریوی فصل (پاییز، زمستان، بهار، پاییز+ زمستان، زمستان+ بهار و پاییز تا بهار) محاسبه شده و متغیرهای هواشناسی پیش بینی کننده دمای هوا (در سطح 300، 500، 700 و 850 میلی بار) و ارتفاع ژئوپتانسیل (در سطح 300، 500، 700 و 850 میلی بار) در محدوده طول و...

full text

My Resources

Save resource for easier access later


Journal title:
محاسبات نرم

جلد ۴، شماره ۱، صفحات ۷۴-۸۳

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023