سمیرا حبیبی - دانشجو
هاله همایونی - دکتر
کیمیا بازرگان - دکتر

کشف نشانگر از دادههای با ابعاد بالا یک مشکل اساسی در برنامههای کاربردی زیستشناسی و پزشکی میباشد. در این مطالعه، چند روش انتخاب ویژگی را، از لحاظ پیشبینی و دقت امضاء تولید شده برای 4 ژن مجموعه داده بیانعمومی برای پیشآگاهی سرطان پستان مقایسه میکنیم.مشاهدات نشان دادند که روش انتخاب ویژگی تاثیر معنی داری بر ثبات و دقت تایید دارند.همچنین مشاهدات نشان دادند که عملکرد در روشهای جاسازی شده و روش لفافپیچیده به طور کلی از روشهای انتخاب ویژگی تک متغییری و ساده بهتر نمیباشد.در عمل ،یک آزمون t ساده به نظر بهترین نتایج را ارائه میدهد.از طرفی،یکی از مشکلات اصلی یافتن بهترین ویژگی از میان مجموعه ویژگی هامیباشد.برای رفع این مشکل الگوریتم پیشنهادی ما الگوریتم بیزین است.مزیت های این الگوریتم این است که این رویکرد به نمایندگانی که پیش بینی احتمالی خودشان هستند نیاز ندارد و میتواند با سنجش های قراردادی عملکرد کار کند و همچنین فرض را بر این نمیگذارد که داده ها در حقیقت از هر نماینده در گروه تولید شده است.از آنجاییکهمشکل یافتن بهترین ویژگی در میان یک گروه به عنوان یادگیری PAC آگنوستیک شناخته میشود،ما روش خود را به عنوان یادگیری آگنوستیک بیزی نام گذاری میکنیم

انتخاب ویژگی، الگوریتم بیزین، الگویتم های فازی، دقت، پایداری