基于随机投影的降维技术在癌症分类中的比较
机器学习
2017-06-20 v5 机器学习
摘要
随机投影(RP)技术因能在短时间内将高维特征降维到低维空间并满足海量数据实时分析的需求而被广泛应用于许多场景。随着大规模基因组数据的快速增长，对降维有着迫切需求。然而，RP的性能通常较低。我们尝试通过结合其他降维方法，如主成分分析(PCA)、线性判别分析(LDA)和特征选择(FS)，来提高RP的分类准确率。我们在三个微阵列数据集和一个模拟数据集上比较了不同组合方法的分类准确率和运行时间。实验结果表明，在BC-TCGA数据集上，FS结合RP的分类准确率相比单独使用RP显著提高了14.77%。LDA结合RP也在同一数据集上帮助RP产生了更具判别力的子空间，分类准确率提高了13.65%。在大多数数据集上，FS结合RP的分类准确率优于其他组合方法。
引用
@article{arxiv.1608.07019,
title = {Comparison among dimensionality reduction techniques based on Random Projection for cancer classification},
author = {Haozhe Xie and Jie Li and Qiaosheng Zhang and Yadong Wang},
journal= {arXiv preprint arXiv:1608.07019},
year = {2017}
}