基因特征的选择

特征选择的方法有两种：

1）过滤方法，应用变量的统计特征来选择最终的特征集合

应用的例子为，12625行特征，94列样本。目前要处理的问题是，对于样本来说特征太多了，这种大维度的数据，大多数的建模技术很难获得有意义的结果，所以首先要降低变量的数量，得到每个特征在所有样本上的总体分布情况。

第一种方法：用中位数和四分位距（IQR）表示这些特征的分布，R包中Biobase科技计算矩阵中每行向量的中位数，rowQ(）得到每行向量的四分位数，计算第一个四分位数和第三个四分位数，得到25%-75%的数据，大量特征的变动性很小，IQR接近于0,这种特征我们认为他不能很好的区分不同的类型，这个时候一定要单独考虑每个特征的情况，因为我们不排除有的特征本身就是在所有样本上有很少变化。

PS：如果用IQR的方法，选取的阈值一般是变动性小于IQR的1/5的特征，R中包genefilter可以处理这种过滤情况。

第二种方法：比较同一类别样本条件下的特征的均值，称为用因子分析（ANOVA）来比较。ANOVA可以用来比较多于两个组的均值，给出统计显著性水平，如果是TRUE，说明这个特征是有用的。R中genefilter包可以处理这个问题。

第三种方法：用随机森林进行过滤，先获取特征的名称，用随机森林，得到特征对分类任务有用程度的排序。选择前若干个。

第四种方法：用特征聚类的算法，假设每个类中的特征都是现实的，用距离来衡量特征之间的关系，R包Hmic可以实现数据集变量的方法，将特征进行聚类，检查每个组中有多少特征，可以在每个组中随机选取一个特征来构成预测特征集合，因为默认每个簇中的变量是相似的。

2）封装方法，通过迭代方法找到最适合应用的数据挖掘模型的变量子集。