• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Conference on Bioinformatics and Biomedicine >Markov blanket: Efficient strategy for feature subset selection method for high dimensional microarray cancer datasets
【24h】

Markov blanket: Efficient strategy for feature subset selection method for high dimensional microarray cancer datasets

机译：Markov橡皮布：高维微阵列癌症数据集特征子集选择方法的有效策略

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we discuss the importance of feature subset selection methods in machine learning techniques. An analysis of microarray expression was used to check whether global biological differences underlie common pathological features for different types of cancer datasets and to identify genes that might anticipate the clinical behavior of this disease. One way of finding relevant gene selection is by using Bayesian network based on Markov blanket. We present and compare the performance of the different approaches of features (genes) subset selection methods based on Wrapper and Markov Blanket models for the five-microarray cancer datasets. The first alternative depends on Memetic algorithms (MAs) for feature selection method. In the second alternative, we use MRMR (Minimum Redundant Maximum Relevant) for feature subset selection method hybridized by genetic search optimization techniques. We compare the performance of Markov blanket model with most common classification algorithms for those set of features. The results show that the performance measures of classification algorithms based on Markov Blanket model mostly offer better accuracy rates than other types of classical classification algorithms for the cancer Microarray datasets.
机译：在本文中，我们讨论了特征子集选择方法在机器学习技术中的重要性。对微阵列表达的分析用于检查总体生物学差异是否构成不同类型癌症数据集共同的病理特征的基础，并鉴定可能预示该疾病临床行为的基因。查找相关基因选择的一种方法是使用基于马尔可夫毯的贝叶斯网络。我们提出并比较基于Wrapper和Markov Blanket模型的特征（基因）子集选择方法的五种微阵列癌症数据集的不同方法的性能。第一种选择取决于Memetic算法（MA）作为特征选择方法。在第二种选择中，我们将MRMR（最小冗余最大相关性）用于通过遗传搜索优化技术进行杂交的特征子集选择方法。对于那些特征集，我们将马尔可夫毯模型的性能与最常用的分类算法进行比较。结果表明，基于Markov Blanket模型的分类算法的性能指标与其他类型的癌症微阵列数据集经典分类算法相比，提供的准确率更高。

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