基于SVM-RFE算法的癌症基因表达数据分析

论文摘要

随着科学技术的不断发展和进步，现代医疗水平也得到了飞速的发展，越来越多未知的领域变得清晰起来，但仍有一些领域我们还不能更深一层的了解，例如癌症领域研究。随着人类基因的不断发展，癌症研究也得到了一定的发展，但面对纷繁复杂的数据，如何从海量数据中寻找出我们需要的、有用的数据成为了医学上癌症领域研究的瓶颈。在这样的情况下，基因芯片技术的出现、特征选择方法的深入研究以及支持向量机、统计理论体系、数据挖掘技术的不断完善和发展，都为现代癌症研究提供了很好的技术支持。支持向量机（SVM）是一种新兴的、通用的机器学习方法，具有良好的泛化能力，能够较好地解决维数高、小样本、非线性等特点的问题。它是对统计学习理论的进一步发展，其核心思想，是使机器学习和样本训练相互适应。与以往不同的是，支持向量机采用的不再是经验风险最小化原则，而是选择结构风险最小化原则。这样使得SVM具有良好地小样本学习能力，同时也使得机器具有很好的推广能力。另外，SVM采用了核函数的思想，通过非线性问题转换，将实际问题对应于高维度空间，将非线性判别函数重新构造，转化成更高维空间中的线性判别函数，从而解决现实中难以解决的问题。论文主要研究的是应用SVM-RFE算法，对癌症基因表达数据进行分析研究。SVM-RFE是指将支持向量机（SVM）与递归特征筛选法（RFE）相结合的一种算法。SVM-RFE属于后向搜索算法，它通过选择消去不必要的特征，来降低空间的维数。本文使用SVM-RFE算法，对肿瘤基因表达谱数据进行分析，进而分析这种算法在医学海量数据的分析、研究上的优势及特点。本文将SVM-RFE算法运用到对于胃癌、胰腺癌和结肠癌的基因数据分析处理中。先用T-test方法对原始数据集进行初始处理，去掉无关信息，提炼基因信息；再用SVM-RFE算法对基因数据进行处理。实验结果表明，使用SVM-RFE特征选择算法的支持向量机，其预测准确率相对更高，敏感度也更好。同时，通过算法选出的特征基因也可以为疾病研究和临床诊断提供一定的参考。

论文目录

• 摘要
• Abstract
• 第1章 绪论 1 1.1 研究背景
• 1.1 研究背景
• 1.2 生物信息学的发展
• 1.3 基因芯片的产生与应用
• 1.4 本文的主要工作内容
• 第2章 支持向量机及相关理论
• 2.1 相关理论
• 2.1.1 数据挖掘
• 2.1.2 机器学习
• 2.1.3 统计学习理论
• 2.2 支持向量机
• 2.2.1 最优分类面（最优分类线）
• 2.2.2 核函数（kernel）
• 2.2.3 支持向量机的主要特点
• 第3章 特征选择方法
• 3.1 特征选择概述
• 3.2 特征选择方法分类
• 3.2.1 按照特征的评价标准分类
• 3.2.2 按照搜索策略分类
• 3.3 特征选择方法的影响因素
• 3.4 SVM-RFE 方法
• 3.4.1 算法概述
• 3.4.2 算法流程
• 3.4.3 算法的优势
• 第4章 SVM-RFE 算法在癌症基因数据分析的应用
• 4.1 实验数据来源
• 4.2 实验过程概述
• 4.3 T-test 方法
• 4.4 实验结果及分析
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢