考察带有特征选择的 TSVM 与 GLAD 算法的分类准确率
机器学习
2013-07-05 v1 计算工程、金融与科学
摘要
基因表达数据集用于对患者诊断类别进行分类和预测。众所周知，获取带标签的基因表达样本极其困难且昂贵。此外，当使用支持向量机 (SVM) 算法时，若带标签数据（训练样本）不足，传统的监督学习方法无法正常工作。因此，本文提出将直推式支持向量机 (TSVM) 作为半监督学习算法，利用带标签样本和无标签样本共同执行微阵列数据的分类。为了剪除冗余的基因和样本，我们采用了一种名为递归特征消除 (RFE) 的特征选择方法，该方法旨在提升分类输出并避免局部优化问题。我们将 TSVM-RFE 算法的分类预测准确率与跨数据集遗传学习 (GLAD) 算法进行了对比，两者均为半监督学习方法。对比结果显示，TSVM-RFE 的表现优于使用 RFE 的 SVM 以及 GLAD 算法。
引用
@article{arxiv.1307.1387,
title = {Examining the Classification Accuracy of TSVMs with ?Feature Selection in Comparison with the GLAD Algorithm},
author = {Hala Helmi and Jon M. Garibaldi and Uwe Aickelin},
journal= {arXiv preprint arXiv:1307.1387},
year = {2013}
}
备注
UKCI 2011, the 11th Annual Workshop on Computational Intelligence, Manchester, pp 7-12