换一批用于癌症分类的随机子空间半监督维数约减
Random Subspace-Based Semi-Supervised Dimensionality Reduction for Cancer Classification
摘要精确的癌症分类对于癌症的成功诊断和治疗是必不可少的.半监督维数约减算法在干净的数据集上表现得很好,然而当面临噪声时,当前的大部分算法所构造的邻域结构是拓扑不稳定的.为了克服这一问题,文中提出了一种基于随机子空间的半监督维数约减算法(RSSSDR),将随机子空间与半监督维数约减算法结合起来.在数据集的不同随机子空间上,该算法首先设计多个不同的子图,然后将这些子图联合起来构成一个混合图并在其上进行维数约减.该算法通过最小化局部重构误差来确定邻域图的边权值,在保持癌症数据集局部结构的同时能够保持其全局结构.在公共癌症数据集上的实验结果表明,RSSSDR算法具有较高的分类准确率和较好的参数鲁棒性.
更多相关知识
关键词
半监督学习随机子空间癌症分类维数约减semi-supervised learningrandom subspacecancer classificationdimensionality reduction
分类号
TP181
栏目名称
DOI
10.3969/j.issn.1000-565X.2013.07.023
发布时间
2013-10-21（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
