基于增强显现模式的癌症分类算法

针对提取显现模式时在小样本情况下频率近似于概率的缺陷,在衡量分类信息能力熵的计算中引入贝叶斯方法估计概率P(Ci,Sj),提高熵的可靠度,在此基础上提取癌症表达中的增强显现模式,提出2种基于增强显现模式的癌症分类算法。在急性白血病数据集上进行实验,结果表明,该算法能提高癌症检测的正确率。

显现模式:一种基因分类的工具

基因分类因其应用意义重大,成为近年来研究的热点。显现模式以具有生物意义的隐性基因模式为基础实现对癌症的高识别率,应用前景十分广阔。本文介绍了显现模式的理论体系,并通过白血病数据集分类实验说明了该工具的可行性和有效性。

一种基于显现模式的基因分类算法

基于基因表达谱的分类技术对于疾病检测具有十分重要的研究意义。利用显现模式(Emerging Patterns,EPs)的基因分类方法不仅可以识别癌症样本,同时可以挖掘出隐含的与癌症相关的具有生物意义的基因模式,从基因角度揭示癌症病理。针对提取显现模式时在小样本情况下将频率近似于概率的缺陷以及PCL(Prediction by Collective Likelihood)分类器的不足,提出一种基于显现模式的基因分类算法:在显现模式的提取中引入贝叶斯估计以提高熵的可靠度,并借鉴KNN思想,提出一种新的基于EP的分类算法EP-KNN(Emerging Patterns-K Nearest Neighbors)。最后在急性白血病数据集上进行实验,实验结果表明新的算法提高了分类正确率,说明了该方法的有效性。

基于显现模式的肿瘤亚型识别研究

利用显现模式(EPs)的基因分类方法不仅可以识别癌症样本,同时可以挖掘出隐含的与癌症相关的具有生物意义的基因模式,从基因角度揭示癌症病理。提出了一种新的基于显现模式的基因分类算法,该算法通过引入贝叶斯估计提高熵的可靠度,并采用随机割点(RCP)加强割点对未知样本的泛化能力;并借鉴KNN思想,提出一种新的基于EP的基因分类器。实验结果表明了新算法的可行性和有效性。

一种增强显现模式的癌症分类算法

基于基因表达谱的癌症检测对癌症的治疗具有十分重要的意义。显现模式(Emerging Patterns,EPs)能够挖掘隐含的具有生物意义的基因表达模式,基于显现模式的癌症分类方法可以检测出癌症样本。针对提取显现模式时在小样本情况下将频率近似于概率的缺陷,引入贝叶斯估计以提高熵的可靠度,提取癌症表达中的增强显现模式(Improved Emerging Patterns,EPIs),并提出一种基于增强显现模式的基因分类算法(ACancer Classification Algorithm with Improved Emerging Patterns CCEPI)。最后在急性白血病数据集上进行实验,实验结果表明算法提高了癌症检测的正确率。

一种基于显现模式的懒惰式贝叶斯分类器

本文提出了一种新的基于EP的分类算法,即基于基本显现模式的懒惰式贝叶斯分类算法(Lazy Bayesian Classification based on essential Emerging Patterns,LBCeEP),该算法使用懒惰式学习技术进行训练数据集的约简,并使用了一种特殊形式的更能有效地反映类标属性的EP,同时采用贝叶斯方法应用这种EP来进行分类.在UCI机器学习库中的14个数据集上的实验表明,本文所提出的算法具有更好的分类效果。