中国医院统计
中國醫院統計
중국의원통계
CHINESE JOURNAL OF HOSPITAL STATISTICS
2011年
4期
319-322
,共4页
支持向量机%基因表达数据%SAM%特征提取
支持嚮量機%基因錶達數據%SAM%特徵提取
지지향량궤%기인표체수거%SAM%특정제취
目的 探讨SAM与支持向量机相结合(SAM-SVM)的方法在高维数据中的变量筛选效果.方法采用R语言编程,根据SAM算法,按照变量重要性排序,通过支持向量机分类模型验证其筛选效果.经过多次迭代满足收敛条件时,自动选择"最优"模型.将该方法应用于真实高维数据考核其应用效果,并通过模拟试验验证其有效性.结果对3种疾病的真实高维基因表达数据分别采用上述方法进行变量筛选,均取得了良好的效果,模拟试验也显示使用筛选后的变量再利用支持向量机进行分类判别,具有较高的准确性.结论基于SAM的支持向量机逐步判别方法在解决小样本、非线性及高维问题中表现出许多潜在的优势,可以有效地用于分析高维基因表达数据的特征提取问题.
目的 探討SAM與支持嚮量機相結閤(SAM-SVM)的方法在高維數據中的變量篩選效果.方法採用R語言編程,根據SAM算法,按照變量重要性排序,通過支持嚮量機分類模型驗證其篩選效果.經過多次迭代滿足收斂條件時,自動選擇"最優"模型.將該方法應用于真實高維數據攷覈其應用效果,併通過模擬試驗驗證其有效性.結果對3種疾病的真實高維基因錶達數據分彆採用上述方法進行變量篩選,均取得瞭良好的效果,模擬試驗也顯示使用篩選後的變量再利用支持嚮量機進行分類判彆,具有較高的準確性.結論基于SAM的支持嚮量機逐步判彆方法在解決小樣本、非線性及高維問題中錶現齣許多潛在的優勢,可以有效地用于分析高維基因錶達數據的特徵提取問題.
목적 탐토SAM여지지향량궤상결합(SAM-SVM)적방법재고유수거중적변량사선효과.방법채용R어언편정,근거SAM산법,안조변량중요성배서,통과지지향량궤분류모형험증기사선효과.경과다차질대만족수렴조건시,자동선택"최우"모형.장해방법응용우진실고유수거고핵기응용효과,병통과모의시험험증기유효성.결과대3충질병적진실고유기인표체수거분별채용상술방법진행변량사선,균취득료량호적효과,모의시험야현시사용사선후적변량재이용지지향량궤진행분류판별,구유교고적준학성.결론기우SAM적지지향량궤축보판별방법재해결소양본、비선성급고유문제중표현출허다잠재적우세,가이유효지용우분석고유기인표체수거적특정제취문제.
