基于量子支持向量机的二进制哈里斯鹰优化算法用于癌症分类任务
机器学习
2022-02-25 v1
摘要
基于基因表达的癌症分类可提高早期诊断和康复率，但高维基因与小样本量是一大挑战。本文提出一种结合二进制哈里斯鹰优化（BHHO）基因选择的混合量子核支持向量机（QKSVM），用于在量子模拟器上进行癌症分类。本研究旨在通过BHHO筛选信息基因并基于其进行量子核估计，从而提升微阵列癌症预测性能。特征选择在高维特征中至关重要，BHHO用于挑选重要特征。BHHO模拟自然界中哈里斯鹰的协同捕猎行为。主成分分析（PCA）用于降维所选基因以匹配量子比特数。随后利用量子计算机基于降维基因的训练数据估计核并生成量子核矩阵。此外，经典计算机基于量子核矩阵抽取支持向量，预测阶段亦在经典设备上完成。最后，所提方法应用于结肠与乳腺微阵列数据集，并使用全部基因与BHHO所选基因进行评估。结果表明该方法在两种数据集上均提升了整体性能，且使用不同量子特征映射（核）与经典核（RBF）进行了评估。
引用
@article{arxiv.2202.11899,
title = {An Efficient Binary Harris Hawks Optimization based on Quantum SVM for Cancer Classification Tasks},
author = {Essam H. Houssein and Zainab Abohashima and Mohamed Elhoseny and Waleed M. Mohamed},
journal= {arXiv preprint arXiv:2202.11899},
year = {2022}
}