روش انتخاب ویژگی براساس یادگیری زیرفضا و تجزیه ماتریس پایه برای داده‌های میکرو-آرایه‌ای DNA
Authors
Abstract:
داده‌های میکرو-آرایه‌ای DNA در یادگیری ماشین و تشخیص انواع مختلف ساختارهای سرطانی نقش مهمی را ایفا می‌کنند. داده‌های میکرو-آرایه‌ای، به طور معمول شامل تعداد زیادی از ویژگیها و تعداد کمی نمونه می‌باشند. همچنین، اینگونه داده‌ها به دلیل داشتن برخی ویژگیهای نامرتبط می‌توانند موجب بیش‌برازش و دقت پیش‌بینی پایین طبقه‌بند کننده‌ها شوند. بنابراین، آنالیز داده‌های میکرو-آرایه‌ای امری مهم و پرچالش در یادگیری ماشین و فناوری ژنتیک مولکولی محسوب می‌شوند. راه مستقیم برای مقابله با این چالش، کاهش بعد داده می‌باشد. در این راستا، روش انتخاب ویژگی به عنوان یک راه‌کار مهم برای کاهش ابعاد و افزایش کارآیی الگوریتم‌های یادگیری عمل می‌کند. در این مقاله، با استفاده از مفهوم پایه برای مجموعه داده‌های میکرو-آرایه‌ای، یک روش جدید انتخاب ویژگی معرفی میشود. به عبارت دیگر، یک پایه که شامل یک زیرمجموعه بسیار کوچک از ژن‌ها است، بجای کل مجموعه داده‌های میکرو-آرایه‌ای در تعریف مسئله انتخاب ویژگی استفاده میشود. در این روش، مسئله انتخاب ویژگی براساس دیدگاه یادگیری زیرفضا و تجزیه ماتریس پایه فرمول‌بندی میشود. در نهایت، با استفاده از مجموعه داده‌های میکرو-آرایه‌ای DNA، کارایی روش پیشنهادی بررسی میشود و نتایج بدست آمده با چند روش انتخاب ویژگی مشهور با نظارت مقایسه می‌شوند.
similar resources
یک روش جدید برای انتخاب ویژگی مبتنی بر منطق فازی
چکیده: انتخاب ویژگی یکی از چالش برانگیز ترین و از مهمترین فعالیت‌ها در توسعه یادگیری ماشین و تشخیص الگوست. معیارهای ارزیابی ویژگی نقش بسیار مهمی برای ساخت یک الگوریتم انتخاب ویژگی دارند. در این مقاله یک معیار انتخاب ویژگی اصلاح شده با استفاده از منطق فازی برای انتخاب تعداد ویژگیهای مورد نیاز ارائه می شود. این معیار به شکل غیر فازی در تحقیقات قبلی استفاده میشود، اما در این مقاله با تعریف تعداد...
full textیادگیری انتقالی با روش تلفیقی از انتقال نمونه و نمایش ویژگی برای پیش‌بینی نقص بین‌پروژه‌ای نرم‌افزار
پیش‌بینی نقص نرم‌افزار، نقش مهمی در بهبود کیفیت نرم‌افزار دارد. به‌طوری‌که منابع محدود آزمون نرم‌افزار، به‌جای کل ماژول‌های نرم‌افزار به ماژول‌های مستعد نقص اختصاص داده می‌شوند. در پیش‌بینی نقص درون‌پروژه‌ای، برای ساخت مدل پیش‌بینی، داده‌های برچسب‌دار محلی استفاده میشود. ولی ساخت این مدل در مورد پروژه‌هایی که فاقد داده‌های برچسب‌دار محلی هستند، تقریباً غیرممکن است. لذا، پیش‌بینی نقص بین‌پروژه‌ا...
full textارائه یک روش انتخاب ویژگی براساس الگوریتم ژنتیک و درخت تصمیم به‌منظور طبقهبندی تصاویر تمام پلاریمتریک راداری
یک تصویر تمام پلاریمتریک راداری (POLSAR) قادر است ویژگیهای پلاریمتریک مهمی برای طبقهبندی پوشش زمینی فراهم کند. این ویژگیها می‌توانند پارامترهای مستخرج از ماتریس پراکنش، کواریانس و همدوسی یا پارامترهای مستخرج از روشهای تجزیه هدف یا هر دو دسته باشد. در این مقاله، ویژگیهای پلاریمتریک فراوانی از یک تصویر POLSAR استخراج میشود. سپس با استفاده از الگوریتم ژنتیک (GA) و درخت تصمیم (DT)، یک روش انت...
full textیک روش هوشمند جدید برای شناسایی عیب یاتاقان‌ها بر پایه مفهوم هم‌انباشتگی و انتخاب ویژگی بهینه در شرایط کاری سرعت متغیر با زمان
در این مقاله، یک روش ترکیبی هوشمند جدید برای شناسایی عیب یاتاقان در شرایط سرعت متغیر با زمان پیشنهاد شده است. سیگنال‌های ارتعاشی در دو حالت سالم و رینگ داخلی معیوب در سرعت متغیر با زمان جمع‌آوری شده‌اند. در این مطالعه، از تکنیک تجزیه مود تجربی کلی و روش اثر جوهانسون برای استخراج روابط هم‌انباشته از داده‌های ارتعاشی استفاده شده است. سپس، با بکارگیری روش تبدیل بسته‌ای موجک و ویژگیهای آماری در حو...
full textMy Resources
Journal title
volume 13 issue 3
pages 331- 340
publication date 2019-09-23
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023