论文部分内容阅读
在系统生物学中,从大量的数据中识别对所研究问题具有丰富价值的信息是一个十分重要的课题。TSP (Top Scoring Pair)算法是一种基于对“特征对”进行评价且利用得分最高的的“特征对”建立分类器的算法。由于其简单可行以及结果容易解释等优点使其在基因组学数据分析领域已经成为较有利的工具。k-TSP是基于TSP算法的一个拓展,其与TSP算法最明显的区别在于k-TSP算法不是选择一对特征,而是选择“k”对。本文改进了TSP/k-TSP算法的排名准则,使其更能精准的挑选出具有区分能力的特征,与此同时本文对判定准则也进行了相应的修改以改进模型的预测能力。本文使用8个公共数据集,通过与改进前的TSP算法、随机森林、支持向量机的比较,验证了改进后的TSP算法确实是有效的。并且将修改后的算法应用在了肝病血清数据上,通过实验验证知道改进后的算法无论从分类性能还是从特征选择的能力上都得到了提高。本文利用“特征对”构造新变量的方式对所研究问题进行了详细分析。基于改进后的算法共选出27对特征,通过PCA分析最终样本被较为明显的区分开。随机森林是由一棵棵的树状结构的判定规则(决策树)构成。选择区分效果最好的特征作为该节点的判别特征,然后继续生长就这样构造一棵棵“树”,再由多棵“树”构成随机森林。本文将TSP算法对“特征对”的评价融入到决策树节点的建立中提出了TSP-RF算法。在随机森林的每个节点产生的过程中,由其随机挑选的特征子集和当前样本组成了数据矩阵,通过TSP算法可以利用该矩阵计算出得分最高的“特征对”,用该“特征对”建立分类模型与单特征的分类模型进行比较,性能更优者用于结点分裂。本文通过12个公共数据集(6个低维、6个高维)对TSP-RF算法分类性能进行验证,TSP-RF算法比较于RF算法分类性能在9个数据集上得到了提高。随机森林比较重要的两个方面是强度与相关性:单棵决策树的强度越高越好,决策树之间的相关性越低越好。通过强度与相关性的分析,对该算法与随机森林算法进行比较分析,得出的结论是在强度没有明显变化的情况下,相关性在大多数的数据集上得到了较为明显减弱,通过实验得知该算法在高维小样本上表现出更好的性能。