面向基因表达谱癌症分类的特征选择技术综述及支持向量机的影响
计算工程、金融与科学
2011-09-07 v1 新兴技术
机器学习
定量方法
摘要
DNA微阵列技术已使生物学研究方法现代化，科学家如今可在单次实验中同时测量数千个基因的表达水平。代表细胞分子状态水平的基因表达谱，作为医学诊断工具具有巨大潜力。但与所涉及的基因数量相比，可用于分类的训练数据集通常样本量相当小。这些训练数据的局限性对某些分类方法构成了挑战。特征选择技术可用于通过消除不需要的噪声和冗余基因，有效提取影响分类准确性的标志基因。本文综述了已在基于微阵列数据的癌症分类中应用的特征选择技术，以及支持向量机（SVM）在癌症分类中的主导作用。
引用
@article{arxiv.1109.1062,
title = {Review on Feature Selection Techniques and the Impact of SVM for Cancer Classification using Gene Expression Profile},
author = {G. Victo Sudha George and V. Cyril Raj},
journal= {arXiv preprint arXiv:1109.1062},
year = {2011}
}
备注
12 pages