الگوریتم جستجو گرانشی دوگانه بازگشتی
ترجمه نشده

الگوریتم جستجو گرانشی دوگانه بازگشتی

عنوان فارسی مقاله: الگوریتم جستجو گرانشی دوگانه بازگشتی مبتنی بر مدل طبقه بندی سرطان ترکیبی در داده های میکروآرایه
عنوان انگلیسی مقاله: A Hybrid Cancer Classification Model Based Recursive Binary Gravitational Search Algorithm in Microarray Data
مجله/کنفرانس: علوم کامپیوتر پروسیدیا – Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: الگوریتم و محاسبات
کلمات کلیدی فارسی: طبقه بندی، الگوریتم جستجو گرانشی، داده های میکروآرایه
کلمات کلیدی انگلیسی: classification; Gravitational Search Algorithm; Microarray data
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.041
دانشگاه: Taiyuan Universicy of Technology, taiyuan,030024,China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 9
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12307
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


1-Introduction


2-Proposed cancer classification


3-Experimental Setup and Results


4-Conclusion


Acknowledgments


References

نمونه متن انگلیسی مقاله

Abstract


Nowadays, in clinical medicine diagnosticians usually use DNA microarray datasets for diagnosis and classification of cancer. However, DNA microarray datasets typically have very large number of genes and less number of samples, therefore, before diagnosis and classification of cancer it is quite requisite to select most relevant genes. In this paper, we have developed a two phase classification model in which most relevant genes are selected by integrating ReliefF with Recursive Binary Gravitational Search Algorithm (RBGSA) in the help of a classifier of Multinomial Naive Bayes. The RBGSA recursively transforms a very raw gene space to an optimized one at each iteration while not degrading the accuracy. We evaluate our model by comparing it with 6 other known methods on 6 different microarray datasets of cancer. Comparison results show that our model gets substantial improvements in accuracy over other methods.


Introduction


Filter methods include univariate filters and multivariate filters. Univariate filters search and evaluate each gene separately by surveying its inherent natures with regard to discriminate class, thus leading to unreliable outcomes because of not considering gene interactions. While multivariate filters search and evaluate the subset of genes through surveying their inherent natures with regard to different classes, which can promise better results than univariate filters in identifying the most relevant genes in microarray data. Relief is one of the multivariate filter approaches [3,4] based property ranking scheme. Kononenko later developed an improved method called ReliefF based on Relief [5]. In many classification tasks, Relief and ReliefF are usually used as pre-processing approaches for feature selection prior to the model learning. These types of methods not only are effective but also are able to accurately assess the importance of properties [6].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

الگوریتم جستجو گرانشی دوگانه بازگشتی
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها