优化稀疏广义奇异向量用于近端支持向量机的特征选择及其在乳腺癌和卵巢癌检测中的应用

Ugochukwu O. Ugwu; Michael Kirby

优化稀疏广义奇异向量用于近端支持向量机的特征选择及其在乳腺癌和卵巢癌检测中的应用

机器学习 2024-10-08 v1 数值分析数值分析最优化与控制定量方法机器学习

作者: Ugochukwu O. Ugwu , Michael Kirby

摘要

本文提出了计算广义奇异值问题稀疏解的方法。GSVP通过 $\ell_1$ -范数和 $\ell_q$ -惩罚（ $0<q<1$ ）进行正则化，得到 $\ell_1$ -GSVP和 $\ell_q$ -GSVP公式。这些问题的解通过应用固定步长的近端梯度下降算法来确定。计算解中固有的稀疏性被用于特征选择，随后用于非平行支持向量机的二分类。对于我们的特征选择任务，SVM被集成到 $\ell_1$ -GSVP和 $\ell_q$ -GSVP框架中，以推导出 $\ell_1$ -GSVPSVM和 $\ell_q$ -GSVPSVM变体。考虑了机器学习在癌症检测中的应用。我们显著地报告了在乳腺癌和卵巢癌数据集上使用少量选定特征实现了近乎完美的平衡准确率。

关键词

广义奇异值问题稀疏解近端梯度下降特征选择支持向量机癌症检测

引用

@article{arxiv.2410.03978,
  title  = {Optimizing Sparse Generalized Singular Vectors for Feature Selection in Proximal Support Vector Machines with Application to Breast and Ovarian Cancer Detection},
  author = {Ugochukwu O. Ugwu and Michael Kirby},
  journal= {arXiv preprint arXiv:2410.03978},
  year   = {2024}
}

优化稀疏广义奇异向量用于近端支持向量机的特征选择及其在乳腺癌和卵巢癌检测中的应用

摘要

关键词

引用

相关论文