انتخاب ویژگی پایدار و مقاوم برای دسته بندی دادههای ژنتیکی به وسیله ادغام روش های رتبه بندی و روش پیچشی
محل انتشار: دوازدهمین کنفرانس ملی سیستم های هوشمند ایران
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 800
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICS12_060
تاریخ نمایه سازی: 11 مرداد 1393
چکیده مقاله:
بالا بودن ابعاد یک مجموعه داده باعث افزایش فضای جستجو و کاهش قدرت تعمیمپذیری و پیچیدگی محاسباتی میشود. ازجمله مجموعه دادههایی که دارای ابعاد بالا هستند میتوان به مجموعه دادههای ریز آرایه اشاره کرد. ریز آرایهها محتوی دادهها یژنتیکی و بیولوژیکی هستند. این دادهها در تشخیص مجموعهای از سرطانها و تمور های گوناگون مورد استفاده قرار میگیرند.از این رو فرآیند کاهش ابعاد بر رویدادههای ژنتیکی در عملکرد پیشبینی نوع بیماری، درمان و دارو از اهمیت به سزایی برخوردار است.برای شناسایی ژنهای متمایز و برتر برای دستهبندی دادهها نیازمند فرآیند انتخاب ویژگی هستیم .هدف اصلی این مقاله ارائه روشیبرای کاهش ابعاد و دستهبندی مجموعه دادههای ژنتیکی است. در مرحله اول ادغام چندین روش رتبهبندی برای بالا بردن مقاومت و پایداری فرآیند انتخاب ویژگی صورت میپذیرد. در قسمت بعدی،ترکیب روشهای رتبهبندی با روش پیچشی به منظور بیانارتباطات، کنش و واکنش میان ژنها است. در ادامه فرآیند دستهبندی مبتنی بر ماشین بردار پشتیبان مورد استفاده قرار گرفته است قبل از ارائه دادهها به دستهبندی کنندهSVMمشکل گروههای نامتوازن در مرحله آموزش بر طرف میگردد متوسط نتایج روش پیشنهادی بر روی 5 پایگاه داده ریز آرایه به این صورت است، که معیار مقاومت در فرآیند انتخاب ویژگی در بازه [ 0.88،0.7 و معیار دقت دستهبندی در بازه 91%و96% به ازای تغییر تعداد ویژگیهای منتخب ، تغییر میکنند.محدود بودن بازه تغییرات معیارها نشاندهنده پایداری روش پیشنهادی است
کلیدواژه ها:
نویسندگان
مریم یاسی
دانشگاه آزاد اسلامی واحد علوم و تحقیقات، گروه هوش مصنوعی، بوشهر، ایران
محمدحسین معطر
دانشگاه آزاد اسلامی واحد مشهد، گروه نرم افزار، مشهد، ایران
مهدی یعقوبی
دانشگاه آزاد اسلامی واحد مشهد، گروه هوش مصنوعی، مشهد، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :