دسته بندی داده های نامتوازن ریز آرایه DNA مبتنی بر یادگیری گروهی و الگوریتم بهینه سازی ازدحام ذرات دودویی
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 476
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICTCK03_033
تاریخ نمایه سازی: 10 تیر 1396
Abstract:
امروزه دسته بندی داده های ریز آرایه DNA در زمینه تشخیص موثر و پیشبینی درمان انواع بیماری های زیستی ازجمله انواع سرطان بسیار پرکاربرد است. یکی از ویژگیهای داده های ریزآرایه DNA توزیع نامتوازن تعداد نمونه ها در کلاس ها است. این عدم توازن به شدت عملکردپیشبینی کلاس اقلیت را تحت تاثیر قرار می دهد و موجب ارزیابی نادرست عملکرد دسته بندی میشود. در این مقاله، جهت مواجهه با مشکل عدم توازن دادههای ریزآرایه، یک روش یادگیری گروهی مبتنی بر ترکیب روش Bagging و الگوریتمبهینهسازی ازدحام ذرات دودویی ارایهشده است. در روش ارایهشده ابتدا با استفاده از یک روش انتخاب ویژگی سریع و کارآمد تحت عنوان mRMRویژگیهای زاید و افزونه را حذف میکنیم. سپس، با بهکارگیری الگوریتم بهینهسازی ازدحام ذرات دودویی، زیرمجموعههای نمونه بهینه را از کلاساکثریت انتخاب میکنیم و از آنها جهت تولید دستهبندهای پایه متنوع و دقیق در روش Bagging بهره میبریم. همچنین جهت اجتناب از مشکلوزن دهی اهداف در مساله بهینهسازی چندهدفه، با استفاده از یک چهارچوب تصمیمگیری فازی، تعریف منعطفتری از اهداف را در روشنمونهبرداری ارایه میکنیم.نتایج بهدستآمده از آزمایشهایی که روی چهار مجموعه داده نامتوازن ریزآرایه DNA انجامشده است نشان میدهد که روش ارایهشده در معیارهایAccuracy ، F-measure و G-mean عملکرد بهتری را نسبت به روشهای پایه از خود نشان میدهد
Keywords:
Authors
داود شریعت پناه
گروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی واحد مشهد، ایران
مهرداد جلالی
گروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی واحد مشهد، ایران
سیدجواد سید مهدوی چابک
گروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی واحد مشهد، ایران
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 :