| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | ترجمه فارسی | نسخه تمام متن |
|---|---|---|---|---|---|
| 382721 | 660781 | 2015 | 9 صفحه PDF | 28 صفحه WORD | دانلود رایگان |
واژگان کلیدی
1. مقدمه
2. روش های انتخاب ویژگی کاربردی
2.1 تحلیل تفکیک فیشر
2.2 الگوریتم ReliefF
2.3 آزمون تی دو نمونه
2.4 آزمون کولموگروف-اسمیرنوف
2.5 آزمون کروسکال-والیس
2.6 روش رگرسیون گام به گام
2.7 ارتباط ویژگی با کلاس
2.8 حذف ویژگی بازگشتی ماشین بردار پشتیبانی
شکل 1. توابع توزیع تجمعی برای دو کلاس (اوتیسم و گروه کنترل) برای ژن مهم (الف) و برای ژن غیرمهم (ب) در آزمون کولموگروف-اسمیرنوف.
2.9 ترکیب روش های انتخاب
3. نتایج عددی انتخاب ژن
3.1 مواد
3.2 مراحل اصلی آزمایشات
3.3 نتایج مقایسه ای روش های انتخاب
جدول 1. نرخ افزونگی به دست آمده توسط الگوریتم های مختلف در میان 100 ژن برتر انتخاب شده توسط روش های مختلف.
شکل 2. سطوح بیان بهترین ژنهای انتخاب شده توسط: (الف) روش فیشر، (ب) روش حذف ویژگی بازگشتی ماشین بردار پشتیبانی.
3.4 خوشه کردن فضای ژن
شکل 3. شاخص خلوص کل فضای خوشه بندی شده در مقابل تعداد مهم ترین ژنها.
3.5 ارائه تصویر نتایج انتخاب با استفاده از PCA
جدول 2. بالاترین مقادیر شاخص خلوص کل مربوط به مجموعه ژنهای انتخاب شده به صورت مجزا با روشهای مختلف و پس از ترکیب آنها.
شکل 4. نقشه رنگی پروفایلهای بیان برای 30 تا از مهمترین ژنهای انتخاب شده با رویکرد ترکیب (الف) و برای 32 ژن انتخاب شده بصورت تصادفی (ب).
شکل 5. توزیع نمونه های دو کلاس ترسیم شده در دو تا از مهمترین اجزاء اصلی بردارهای x توسط 30 ژن بسیار مهم (الف) و در استفاده از همه ژنها (ب).
4. سیستم طبقه بندی برای پیش بینی اوتیسم
4.1 طبقه بندهای کاربردی
جدول 3. میانگین فواصل نسبی نمونه ها از مراکزشان و انحرافهای استاندارد آنها برای 30 ژن برتر و همه ژنها
4.2 نتایج طبقه بندی
شکل 6. میزان خطای شناسایی کلاس در تعداد رو به تغییر ژنهای مورد استفاده به عنوان ویژگیهای ورودی برای ماشین بردار پشتیبان (نتایج حاصل از آزمایش بر روی مجموعه داده که در دریادگیری سهیم نیست).
شکل 7. اهمیت نسبی روش های انتخاب در مرحله ادغام نهایی گروه.
جدول 4. میانگین دقت تشخیص کلاس و انحرافهای استاندارد دسته کننده ماشین بردار پشتیبان عرضه شده توسط مجموعه ژن های انتخاب شده در روش های مختلف (همه مقادیر به درصد هستند).
5. نتیجه گیری ها
جدول 5. ماتریس درهم آمیختگی نتایج تشخیص کلاس در استفاده از بهترین ژنها پس از ادغام.
جدول 6. ماتریس در هم آمیختگی نتایج طبقه بندی با استفاده از 10 ژن امتخاب شده به صورت تصادفی (پس از ادغام).
جدول 7. مقادیر مقیاس کیفیت در تشخیص موارد اوتیسم از افراد سالم برای بهترین ژنهای انتخاب شده با روش ما و برای 30 ژن انتخاب شده به صورت تصادفی.
• We have developed the system of gene selection from microarray data in autism composed of an ensemble of methods.
• We have developed the system of recognizing the autism applying the classifiers cooperating with gene selection.
• We have performed successful experiments of recognizing autism from reference cases using our system.
The paper presents application of data mining methods for recognizing the most significant genes and gene sequences (treated as features) stored in a dataset of gene expression microarray. The investigations are performed for autism data. Few chosen methods of feature selection have been applied and their results integrated in the final outcome. In this way we find the contents of small set of the most important genes associated with autism. They have been applied in the classification procedure aimed on recognition of autism from reference group members. The results of numerical experiments concerning selection of the most important genes and classification of the cases on the basis of the selected genes will be discussed. The main contribution of the paper is in developing the fusion system of the results of many selection approaches into the final set, most closely associated with autism. We have also proposed special procedure of estimating the number of highest rank genes used in classification procedure.
Journal: Expert Systems with Applications - Volume 42, Issue 2, 1 February 2015, Pages 864–872