FAILED
首站-论文投稿智能助手
典型文献
一种用于癌症分类的两阶段深度特征选择提取算法
文献摘要:
癌症是世界上最致命的疾病之一.利用机器学习处理基因微阵列数据集(Microarray Data)对于协助癌症的早期诊断具有重要作用,但微阵列数据集中基因特征的数目远大于样本数目,造成样本不平衡,影响了分类的效率和精度,因此对基因阵列数据进行特征选择就显得尤为重要.现有的特征选择算法多为单一条件的特征选择,很少考虑特征提取,且大多采用存在已久的神经网络,分类精度较低.因此,文中提出了一种两阶段深度特征选择(Two-Stage Deep Feature Selection,TSDFS)算法.第一阶段集成3种特征选择算法进行全面的特征选择,得到特征子集;第二阶段使用非监督神经网络获得特征子集的最佳表示,进而提高最终的分类精度.通过特征选择前后的分类效果和不同特征选择算法之间的对比来分析TSDFS的有效性,实验结果表明,TSDFS在减少特征数目的同时保持或者提高了分类的精度.
文献关键词:
微阵列数据;特征选择;深度学习;随机森林;变分自编码器
作者姓名:
胡艳羽;赵龙;董祥军
作者机构:
齐鲁工业大学计算机科学与技术学院 济南250353
文献出处:
引用格式:
[1]胡艳羽;赵龙;董祥军-.一种用于癌症分类的两阶段深度特征选择提取算法)[J].计算机科学,2022(07):73-78
A类:
TSDFS
B类:
癌症分类,两阶段,深度特征,致命,基因微阵列,微阵列数据,Microarray,Data,基因特征,远大于,样本不平衡,特征选择算法,已久,分类精度,Two,Stage,Deep,Feature,Selection,第一阶段,特征子集,第二阶段,分类效果,比来,特征数,变分自编码器
AB值:
0.289138
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。