分析拟南芥根系生长的机器学习方法
机器学习
2015-09-07 v1
摘要
生物学中一个具有挑战性的问题是根据植物对基因突变的反应对其进行分类。拟南芥是一种非常引人关注的植物，因为其遗传结构与人类存在某些相似之处。生物学家将该植物分为突变型与非突变型（野生型）。对这些表型的人工分析耗时且成本高昂。本文提出了一种改进的特征提取步骤，利用根系生长的速度和加速度进行特征提取。在第二步中，为了进行植物分类，我们采用了不同的支持向量机（SVM）核函数以及两种神经网络混合系统。门控负相关学习（GNCL）与负相关专家混合（MNCE）是基于经典分类器互补特性的两种集成方法，这两种经典分类器分别是专家混合（ME）与负相关学习（NCL）。该混合系统保留了NCL和ME的优势，并减弱了它们的劣势。我们的实验表明，MNCE和GNCL提高了经典分类器的效率，然而某些SVM核函数的性能优于基于神经网络集成方法的分类器。此外，核函数获取分类结果所需的时间更短。
引用
@article{arxiv.1509.01270,
title = {Machine Learning Methods to Analyze Arabidopsis Thaliana Plant Root Growth},
author = {Hamidreza Farhidzadeh},
journal= {arXiv preprint arXiv:1509.01270},
year = {2015}
}