• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Asia-Pacific Bioinformatics Conference(APBC 2003); 200302; Adelaide(AU) >Feature Space Transformation and Decision Results Interpretation
【24h】

Feature Space Transformation and Decision Results Interpretation

机译：特征空间转换与决策结果解释

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Gene expression profiles and proteomic data are extremely high-dimensional data. Though support vector machines can well learn the inner relationship of the data for classification, the non-linear kernel functions pose an obstacle to explain the prediction reasons to non-specialists. We prefer to use rule-based methods due to their easy interpretability. In this paper, we first discuss feature space transformation. Each new feature (a rule) is a combination of multiple original features provided that the new feature captures a large percentage of a class of data, but with no occurrence in the other class. Under the description of new features, training or test data are clearly class-separable. Then we discuss a more sophisticated rule-based method, called PCL, for classification. PCL provides easily explainable classification scores for us to better understand the predictions and the test data themselves. Visualization is also used to enhance the understanding of the classifier output. We use rich examples to demonstrate our main points.
机译：基因表达谱和蛋白质组数据是极高维的数据。尽管支持向量机可以很好地学习数据的内部关系以进行分类，但是非线性核函数给非专业人员解释预测的原因造成了障碍。我们更喜欢使用基于规则的方法，因为它们易于解释。在本文中，我们首先讨论特征空间转换。每个新功能（一个规则）都是多个原始功能的组合，条件是新功能可以捕获一类数据的很大一部分，而另一类没有发生。在新功能的描述下，培训或测试数据显然是可区分的。然后，我们讨论一种更复杂的基于规则的方法，称为PCL，用于分类。 PCL为我们提供了易于解释的分类分数，以便我们更好地理解预测和测试数据本身。可视化还用于增强对分类器输出的理解。我们使用丰富的示例来说明我们的要点。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号