[发明专利]基于伪负样本的数据平衡方法及提高数据分类性能的方法

权利要求书

1.一种应用于生物信息学的基于伪负样本的数据平衡方法，其特征在于，应用于生物信息学，包括以下步骤：

步骤1：将待处理的生物信息数据集进行正负样本分离，得到正样本集和负样本集；计算所述负样本集中每个负样本与所述正样本集中全部正样本的皮尔逊相关系数，得到负样本皮尔逊相关系数集合；

步骤2：将伪负样本集初始化为空集，并将被挑选样本集初始化为负样本集；

步骤3：使用负样本遍历被挑选样本集，使用最大相关-最小冗余方法计算出负样本集中所有负样本的权重，得到权重集合；从所述权重集合中挑选出最大权重，并将所述最大权重对应的负样本加入伪负样本集，同时，从被挑选样本集中剔除所述最大权重对应的负样本；

步骤4：重复步骤3，直到挑选出伪负样本集，最终挑选出的伪负样本集中样本数量为所述正样本集中样本数量的10％～100％；

步骤5：将挑选出的伪负样本集并入所述正样本集，形成新的正样本集，同时，从所述负样本集中剔除挑选出的伪负样本集，形成新的负样本集；

其中，在步骤1中，用每个负样本与全部正样本的皮尔逊相关系数的平均值来表示每个负样本的皮尔逊相关系数，其计算公式为：

其中，m表示正样本集中正样本的数量，表示负样本的皮尔逊相关系数，其计算公式为：

其中，表示负样本，表示正样本，j＝{1,2,3,…,n}，i＝{1,2,3,…,m}，m表示负样本集中负样本的数量；

其中，在步骤3中，所述权重的计算公式为：

其中，l表示伪负样本的数量；

表示负样本集中除以外的所有负样本，k＝{1,2,3,…,m}，n表示负样本集中负样本的数量；

其中，所述生物信息数据集包括PDNA-316、PDNA-543或SNP。

2.利用权利要求1所述的生物信息数据平衡方法实现的一种提高生物信息数据分类性能的方法，其特征在于，使用所述新的正样本集和新的负样本集在分类器上进行训练。

3.根据权利要求2所述的一种提高生物信息数据分类性能的方法，其特征在于，所述分类器包括随机森林、AdaBoost、神经网络和/或鉴别分析。