基于逐步SVM的高维数据集降维
应用统计
2017-11-10 v1 机器学习
摘要
本研究提出一种降维方法——逐步支持向量机（SVM），以对大p小n数据集进行降维。利用五个基因表达数据集，将所提方法与其它降维方法进行比较，即皮尔逊积差相关系数（PCCs）、基于随机森林的递归特征消除（RF-RFE）与主成分分析（PCA）。此外，评估了由本方法所选变量的预测性能。研究发现逐步SVM能有效选择重要变量并取得良好预测性能。而且，逐步SVM对降维后数据集的预测优于未降维数据集。逐步SVM的性能比PCA与RF-RFE更稳定，但与PCCs的性能差异极小。对大p小n数据集进行降维是必要的。我们相信逐步SVM能有效消除数据中的噪声，并提升任意大p小n数据集中的预测精度。
引用
@article{arxiv.1711.03346,
title = {Dimension Reduction of High-Dimensional Datasets Based on Stepwise SVM},
author = {Elizabeth P. Chou and Tzu-Wei Ko},
journal= {arXiv preprint arXiv:1711.03346},
year = {2017}
}