[發明專利]基于LLRFC和相關性分析去除冗余的特征選擇方法LLRFC score+

在審

• 申請號: 201610057637.3
• 申請日: 2016-01-27
• 公開（公告）號: CN105740653A
• 公開（公告）日: 2016-07-06
• 發明（設計）人: 李建更;李曉丹;張衛;王朋飛;李立杰;張巖
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F19/24
• 分類號: G06F19/24
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.基于LLRFC和相關性分析去除冗余的特征選擇方法LLRFCscore+，該方法加入樣本類別信息，提出一種特征選擇方法LLRFCscore；它是一種有監督的過濾特征選擇方法，利用LLRFCscore的準則計算每一個特征基因對分類的貢獻程度；分數值越大，貢獻度越高，分類效果越好；根據分數值大小降序排列特征基因，最后選擇得分靠前(帶有較多類別信息)的特征基因序列；根據信息論，從一組數量為D的特征空間中選擇出數量為d(D>>d)的一組特征時，多數情況下,僅對每個單獨的特征按照一定的統計或者可分性判據進行排列,取排在前面的d個特征，并沒有考慮到各個特征之間復雜的相互關系,因此所取得的特征在多數情況下并不是最優特征集合,在仿真中甚至還有可能取到比較差的效果；當所選擇的特征集合中存在兩個相關度較高的特征基因時，若其中一個為特征基因，另一個必然也是；這樣，在特征子集維數一定的情況下，如果這兩個具有相似預測能力的特征基因同時被選中，會帶來一些不必要的冗余；不僅減少特征子集的信息攜帶量也增加了計算量；因此，在腫瘤基因表達譜數據中進行特征選擇時，盡量使特征序列中的關鍵基因間的冗余最小化；

采用動態相關性分析的策略對LLRFCscore選擇的特征序列進一步排除冗余，得到最優特征基因子集，提升分類精度；

其特征在于：利用芯片技術獲取的基因表達譜數據通成用數值矩陣的形式表示，其中行向量表示一個樣本中所有基因的表達，列向量表示某一特征基因在所有樣本中的表達，矩陣中元素表示基因在相應樣本條件下的表達水平；一個由n個樣本組成的基因表達矩陣，每個樣本中含有D個特征基因，矩陣表示如下：X＝[X₁,X₂,...,X_n]，其中X_i∈R^D.(i＝1,2,...,n)表示樣本i對應的所有基因表達；腫瘤樣本集合還能夠表示成另外的形式：X＝F＝[f₁,f₂,...,f_D]^T,f_j∈Rⁿ.(j＝1,2,...,D)是由特征j在各個樣本(患者)中的表達所組成的特征向量；Y＝[Y₁,Y₂,...,Y_n]是原始高維數據通過流行學習算法LLE在低維的嵌入，Y_i∈R^d.(i＝1,2,...,n),d＜＜D；在監督流形學習方法中，樣本的類別標簽定義為：c_i∈{1,2,...,n_c}，n_c表示樣本類別數；根據腫瘤樣本間的歐氏距離和類別信息(即有病、正常或腫瘤的不同亞型)，定義相對于樣本點X_i距離最近的k個樣本點為X_i的k近鄰區域；對于任意一個樣本X_i，在保證局部線性重構誤差最小的前提下，選擇k₁個與之有相同標簽的近鄰樣本點，k₂個與之不同標簽信息的近鄰樣本點，分別構建相應的類內圖、類間圖；因為每個訓練數據集的類別屬性不同，并且各個類別的樣本數目也大不相同，參數k₁、k₂的選擇取決于特定的數據集；根據經驗值和理論分析，k₁的取值一般不大于min{n_c}-1；對于腫瘤基因表達譜數據，k₁一般在2-5之間選取，k₂的設定相對復雜一些；在LLRFCscore算法中，由不同標簽構成的類間近鄰點類似于支持向量機中的支持向量；在固定參數k₁的情況下通過SVM的學習，依據實驗結果，選取分類準確率最高的k值作為k₂。