روش انتخاب ویژگی براساس یادگیری زیرفضا و تجزیه ماتریس پایه برای داده‌های میکرو-آرایه‌ای DNA
نویسندگان
چکیده مقاله:
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.
منابع مشابه
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...
متن کاملیادگیری 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...
متن کاملارائه 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...
متن کاملیک 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...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 13 شماره 3
صفحات 331- 340
تاریخ انتشار 2019-09-23
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023