ACG-SFE:适应集群引导的简单,快速和高效的特征选择,用于二进制分类中的高维微阵列数据

科学领域:

• 生物信息学和医学诊断
• 计算生物学 计算生物学
• 医疗保健中的机器学习

背景情况:

• 高维微阵列数据集带来了诸如维度的诅咒,特征冗余和过拟合等挑战.
• 传统的特征选择方法难以捕捉特征相互作用并保持模型概括性.
• 有效的特征选择对于生物信息学和医学诊断中准确的二进制分类至关重要.

研究的目的:

• 引入自适应集群引导的简单,快速和高效 (ACG-SFE) 功能选择模型.
• 为解决处理二进制分类高维微阵列数据的现有方法的局限性.
• 为了改进功能交互捕获,减少冗余,并最大限度地减少过拟合.

主要方法:

• ACG-SFE是一种混合过器包装方法,增强了简单,快速和高效 (SFE) 进化模型.
• 集成等级聚类与像Silhouette指数和Davies-Bouldin得分等指标,以组装特征.
• 使用相互信息在集群内进行适应性代表性特征选择,以及用于值调整的进度因子.

主要成果:

• ACG-SFE有效地从高维微阵列数据中选择一个最小的,相关的特征子集.
• 与四种最先进的进化特征选择模型相比,证明了更高的分类准确性和F-测量.
• 在训练和测试准确度之间显示了减少的根平均平方误差 (RMSE),表明过拟合减少.

结论:

• ACG-SFE是一种强大的特征选择模型,用于高维微阵列二进制分类.
• 该模型成功地减少了冗余和过度装配,同时提高了分类性能.
• 在生物信息学应用中,ACG-SFE提供了一种有效的解决方案,以减少复杂性和提高预测准确性.