کاهش ابعاد داده های بیوانفورماتیک با استفاده از معیارهای رتبه بندی ویژگی ها
Publish place: اولین کنفرانس بین المللی پردازش سیگنال و سیستم های هوشمند
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 839
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
SPIS01_025
Index date: 29 October 2016
کاهش ابعاد داده های بیوانفورماتیک با استفاده از معیارهای رتبه بندی ویژگی ها abstract
یکی از مشکلات آنالیز داده های بیوانفورماتیک حجم زیاد این داده ها است که منجر به تحقیقات زیادی به منظور بهینه سازی فرایند کاهش ابعاد این داده ها شده است. در این چارچوب، هدف دستیابی به زیرمجموعه کوچکتری از ویژگی ها است، که در عین حال بنا بر کاربرد موردنظر ، دقت بیشتری نیز حاصل شود. یکی از راهکارهای مهم برای این مسئله، استفاده از شیوه های انتخاب ویژگی مبتنی بر فیلتر است که در آن با رتبه بندی ویژگی ها، زیرمجموعه ای از آن ها که حائز بیشترین امتیاز می شوند، به عنوان ویژگی های نهایی مورد استفاده قرار می گیرند. تاکنون معیارهای متفاوتی برای رتبه بندی ارائه شده است. در این پژوهش، ابتدا عملکرد سه معیار متفاوت رتبه بندی شامل وابستگی آماری، نرخ بهره و امتیاز فیشر برای کاهش ابعاد داده ها مورد بررسی واقع می شوند و پس از آن ادغام این معیارها جهت بهینه سازی فرآیند انتخاب ویژگی ها مورد توجه قرار می گیرد. نتایج نشان می دهد که در اغلب موارد معیار وابستگی آماری بهترین عملکرد را داشته و در برخی از موارد با ادغام معیارها می توان به نتایج بهتری دست یافت.
کاهش ابعاد داده های بیوانفورماتیک با استفاده از معیارهای رتبه بندی ویژگی ها Keywords:
کاهش ابعاد داده های بیوانفورماتیک با استفاده از معیارهای رتبه بندی ویژگی ها authors
سمیرا صابریان بروجنی
دانشجوی کارشناسی ارشد، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد، یزد
محمدتقی صادقی
استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد، یزد
وحید ابوطالبی
استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد، یزد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :