基于
FCBF
特征选择和集成优化学习的基因表达数据分类
算法
马超
【期刊名称】
《计算机应用研究》
【年
(
卷
),
期】
2019(036)010
【摘要】
针对微阵列基因表达数据高维小样本、高冗余且高噪声的问题
,
提出一
种基于
FCBF
特征选择和集成优化学习的分类算法
FICS-EKELM.
首先使用快速
关联过滤方法
FCBF
滤除部分不相关特征和噪声
,
找出与类别相关性较高的特征
集合
;
其次
,
运用抽样技术生成多个样本子集
,
在每个训练子集上利用改进乌鸦搜
索算法同步实现最优特征子集选择和核极限学习机
KELM
分类器参数优化
;
然后
基于基分类器构建集成分类模型对目标数据进行分类识别
;
此外运用多核平台多
线程并行方式进一步提高算法计算效率
.
在六组基因数据集上的实验结果表明
,
该
算法不仅能用较少特征基因达到较优的分类效果
,
并且分类结果显著高于已有和
相似方法
,
是一种有效的高维数据分类方法
.
【总页数】
6
页
(2986-2991)
【关键词】
特征选择
;
集成学习
;
微阵列基因表达数据
;
乌鸦搜索算法
;
核极限学
习机
【作者】
马超
【作者单位】
深圳信息职业技术学院数字媒体学院
广东深圳
518172
【正文语种】
中文
【中图分类】
TP183
【相关文献】