基于自适应双正则化支持向量机的群体基因选择

基于自适应双正则化支持向量机的群体基因选择

陈留院1，2， 穆晓霞3， 李钧涛4

【摘 要】摘要:通过结合部分自适应弹性网络惩罚和hinge损失函数，提出了一种能同时进行微阵列分类和基因选择的自适应双正则化支持向量机模型，并证明了该支持向量机具有自适应群体基因选择性能． 【期刊名称】郑州大学学报（理学版） 【年(卷),期】2014(046)001 【总页数】5

【关键词】关键词:支持向量机;微阵列分类;基因选择

0 引言

以支持向量机为核心内容的统计学习理论是由Vapnik等人在20世纪90年代提出的，目前仍处在不断发展阶段［1－4］．支持向量机一经提出，就被成功地应用于微阵列基因表达数据的分类与基因选择中［5］．由于癌症、艾滋病等复杂疾病是由一些基因的共同作用引起的，所以群体基因选择在最近几年引起了广泛关注［2－4，6］．文献［2］通过结合弹性网络惩罚与平方误差损失函数，提出了在分类的同时能成群选择相关基因的弹性网络模型．文献［3］通过结合弹性网络惩罚与huberized损失函数提出了混杂huberized的支持向量机．文献［4］通过结合弹性网络惩罚与hinge损失函数提出了双正则化支持向量机．上述弹性网络惩罚方法虽然均能成群地选择基因，但却无法消除被选择的基因群内存在的冗余基因．为了解决该问题，Li等人通过引入数据驱动权重到惩罚项，提出了改进的弹性网络模型［7］和部分自适应弹性网络模型［8］，但上述两种方法均是回归方法．