...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Bioinformatics and Computational Biology >MULTICLASS MOLECULAR CANCER CLASSIFICATION BY KERNEL SUBSPACE METHODS WITH EFFECTIVE KERNEL PARAMETER SELECTION
【24h】

MULTICLASS MOLECULAR CANCER CLASSIFICATION BY KERNEL SUBSPACE METHODS WITH EFFECTIVE KERNEL PARAMETER SELECTION

机译：有效核参数选择的核子空间方法进行多类分子癌分类

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

Microarray techniques provide new insights into molecular classification of cancer types, which is critical for cancer treatments and diagnosis. Recently, an increasing number of supervised machine learning methods have been applied to cancer classification problems using gene expression data. Support vector machines (SVMs), in particular, have become one of the most effective and leading methods. However, there exist few studies on the application of other kernel methods in the literature. We apply a kernel subspace (KS) method to multiclass cancer classification problems, and assess its validity by comparing it with multiclass SVMs. Our comparative study using seven multiclass cancer datasets demonstrates that the KS method has high performance that is comparable to multiclass SVMs. Furthermore, we propose an effective criterion for kernel parameter selection, which is shown to be useful for the computation of the KS method.
机译：微阵列技术为癌症类型的分子分类提供了新的见解，这对于癌症的治疗和诊断至关重要。最近，越来越多的有监督的机器学习方法已使用基因表达数据应用于癌症分类问题。尤其是支持向量机（SVM）已成为最有效和领先的方法之一。然而，在文献中很少有关于其他核方法的应用的研究。我们将核子空间（KS）方法应用于多类癌症分类问题，并通过将其与多类SVM进行比较来评估其有效性。我们使用七个多类癌症数据集进行的比较研究表明，KS方法具有与多类SVM相当的高性能。此外，我们提出了一种用于内核参数选择的有效准则，该准则对计算KS方法很有用。

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