[发明专利]马尔科夫毯嵌入式的基于封装的基因选择方法

说明书

本发明公开了一种马尔科夫毯嵌入式的基于封装的基因选择方法，其特征是按如下步骤进行：1利用五折交叉验证方法获得最优特征；2判断最优特征是否为空集，若为空集，则完成特征选择，否则更新的特征子集；3、利用马尔科夫毯方法删除冗余特征，从而更新特征向量；4判断特征向量是否为空集，若为空集则完成特征选择，否则重复步骤2。本发明能够获得高质量的特征子集，同时降低基于封装的特征选择方法的时间复杂度，从而获得较好的分类性能和时间性能。

技术领域

本发明属于数据挖掘领域，具体地说是一种马尔科夫毯嵌入式的基于封装的基因选择方法。

背景技术

特征选择作为一种数据预处理技术，广泛地应用在机器学习和数据挖掘任务中，例如分类、回归以及聚类等问题。当数据的原始特征空间包括与目标任务不相关或冗余的特征时，在整个特征空间上构建的分类器往往具有较差的性能，例如朴素贝叶斯分类器对冗余的特征比较敏感。特征选择的目的是应用有效的特征选择方法从原始特征空间中选出一组具有判别能力的特征。有效的特征选择方法不仅能够降低原始特征空间的维度，而且可以降低分类器的训练时间，提高其泛化能力，更重要的是可以帮助研究人员找到一组反映目标任务的重要属性，增强分类器的可解释性。例如，在基于微整列数据的癌症诊断中，通过特征选择方法找出与特定癌症相关的基因，可以提高癌症预测的准确率，同时这些筛选出来的基因可能是靶点基因，能够降低寻找生物靶点的实验成本。

基于封装的特征选择方法在特征选择过程中使用某个分类器评价候选特征的优劣。由于特征选择过程与分类算法之间特定的相互作用，基于封装的特征方法一般具有较好的分类准确性。虽然基于封装的特征选择方法能够获得高质量的特征子集和较好的分类准确率，但其较高的时间复杂度在一定程度上影响了该类方法在实际中的广泛应用。

该类方法的主要缺点包括，

(1)在每一步的特征选择过程中，通过封装的方式，以分类准确率或分类错误率作为评估准则衡量每个候选特征的优劣，该过程需要执行大量的封装评估，即评估每个候选特征时，需要经历训练分类器和测试分类器性能两个阶段；

(2)不能快速地识别候选特征集合中的冗余特征，并且这些冗余特征一直保留在候选特征集合中直到特征选择方法运行结束，导致重复地评估这些冗余特征。

发明内容

本发明为克服现有技术存在的不足之处，提出一种马尔科夫毯嵌入式的基于封装的基因选择方法，以期能够获得高质量的特征子集，同时降低基于封装的特征选择方法的时间复杂度，从而获得较好的分类性能和时间性能。

本发明为解决技术问题采用如下技术方案：

本发明一种马尔科夫毯嵌入式的基于封装的基因选择方法，是应用于由m个实例组成的数据集Data中，记为Data＝{inst₁,inst₂,…,inst_i,…,inst_m}；inst_i表示第i个实例；1≤i≤m；第i个实例inst_i由n个特征和一个类别变量C_i组成；表示第i个实例inst_i中第j个特征，1≤j≤n；由m个实例的第j个特征组成第j个特征向量，记为从而获得由n个特征向量所构成的数据集Data的特征向量，记为D＝{f₁,f₂,…,f_j,…,f_n}；由m个实例的类别变量组成类别向量，记为C＝{C₁,C₂,…,C_i,…,C_m}；其特点是，所述特征选择方法是按如下步骤进行：

步骤1、定义循环次数k，并初始化k＝1；定义特征子集S，并初始化

步骤2、根据特征子集S，利用五折交叉验证方法从特征向量D中选择能与特征子集S构成最优特征组的第k次循环的最优特征，记为