基于统计相关性和K-means的混合基因选择算法

"基于统计相关性与K-means的区分基因子集选择算法" 本文提出了一种基于统计相关性和K-means的新颖混合基因选择算法，以解决高维小样本癌症基因数据集的有效区分基因子集选择难题。该算法首先采用Pearson相关系数和Wilcoxon秩和检验计算各基因与类标的相关性，根据统计相关性原则选取与类标相关性较大的若干基因构成预选择基因子集。然后，采用K-means算法将预选择基因子集中高度相关的基因聚集到同一类簇，训练SVM分类模型，计算每一个基因的权重，从每一类簇选择一个权重最大或者采用轮盘赌思想从每一类簇选择一个得票数最多的基因作为本类簇的代表基因，各类簇的代表基因构成有效区分基因子集。 该算法的优点在于能够选择到区分性能非常好的基因子集，建立在该区分基因子集上的分类器具有非常好的分类性能。实验结果表明，所提出的混合基因选择算法在几个经典基因数据集上的200次重复实验中取得了良好的结果，优于采用随机策略选择各类簇代表基因的随机基因选择算法Random、Guyon的经典基因选择算法SVM-RFE、采用顺序前向搜索策略的基因选择算法SVM-SFS。 在该算法中，Pearson相关系数和Wilcoxon秩和检验是两个重要的统计相关性分析方法。Pearson相关系数用于计算两个变量之间的线性相关性，而Wilcoxon秩和检验则用于计算两个变量之间的秩相关性。K-means算法是一个常用的聚类算法，能够将相似的基因聚集到同一类簇中。 在基因选择领域中，Filter算法和Wrapper算法是两种常用的基因选择方法。Filter算法根据每个基因的统计相关性来选择基因，而Wrapper算法则根据基因的分类性能来选择基因。所提出的混合基因选择算法结合了Filter算法和Wrapper算法的优点，能够选择到区分性能非常好的基因子集。 本文提出了一种基于统计相关性和K-means的新颖混合基因选择算法，能够解决高维小样本癌症基因数据集的有效区分基因子集选择难题，具有广泛的应用前景。