نیلیا موسوی - Tarbiat Modares University
موسی گلعلی زاده - Tarbiat Modares University

پیشرفت سرطان در بین بیماران را می توان از طریق ایجاد مجموعه ای از نشانگرهای ژن با روش های تحلیل آماری داده ها بررسی کرد. اما یکی از مشکلات اساسی در مطالعه آماری این نوع داده ها وجود تعداد زیاد ژن ها در مقابل تعداد کم نمونه هاست. بنابراین، استفاده از روش های کاهش ابعاد برای حذف و یافتن تعداد بهینه ای از ژن ها برای پیش بینی صحیح رده های موردنظر، امری ضروری است. از طرفی، انتخاب یک روش کاهش ابعاد مناسب، می تواند به استخراج اطلاعات ارزشمند و افزایش کارایی یادگیری کمک کند. در این پژوهش از رویکرد یادگیری دسته ای به نام دسته ماشین بردار پشتیبان تصادفی برای یافتن مجموعه ویژگی بهینه، استفاده می شود. در تحلیل داده های واقعی مقاله حاضر، نشان داده می شود با تبدیل داده های بعد بالا به زیرفضاهایی با بعد پایین تر و ترکیب مدل های ماشین بردار پشتیبان، علاوه بر یافتن مجموعه ای از ژن های موثر در بروز سرطان پروستات، دقت رده بندی نیز افزایش می یابد.

Ensemble learning, Dimensionality reduction, Classification, Random support vector machine cluster, Optimal feature set., یادگیری دسته ای, کاهش ابعاد, رده بندی, دسته ماشین بردار پشتیبان تصادفی, مجموعه ویژگی بهینه.