پنج شنبه 23 مرداد 1399 | Thursday 13 th of August 2020 صفحه اصلی گروه الکترونیکی کامپیوتر
2-4 ارزیابی قیاسی

کارائی الگوریتم انتخاب ویژگی  ERGS، بر روی 5 دیتاست مشهور ژنی به نامهای
TumorColon، ALL-AML، Lung Cancer، MLL، Prostateارزیابی شده است . توضیح این دیتاست ها در فصل بعد اورده شده است . همچنین دسته بندی نمونه ها در دیتاست های ژنی بر روی ویژگی های منتخب (که بوسیله الگوریتم ERGSانتخاب شده اند) به وسیله دو دسته بندی کننده مشهور به نامهای SVMو NBCانجام شده است .

متد t-Statistic  تنها می تواند برای مسائل 2 دسته ای به کار رود بنابراین نمی تواند برای دیتاست MLL  به کار رود. جدول 1 دقت دسته بندی که برای 5 دیتاست ژنی به دست امده را با متد های انتخاب ویزگی مذکور نمایش می دهد . 6 مجموعه ژنی متشکل از 10، 20 ،40 ، 60 ، 80  و 100 ژن برتر به منظور برجسته کردن اثر متد ERGSدر مقابل متد های انتخاب ویژگی دیگر انتخاب شده است .

ERGS  نه تنها دقت دسته بندی را برای داده های ژنی بالا می برد ، بلکه ژن های مهم مرتبط با بیماریهایی مثل کم خونی ، تومورهای روده ای ، سرطان ریه و سرطان پروستات را شناسایی
 می کند .با توجه به جداول 1 و 2 مشاهده می شود که حتی با انتخاب 10 ژن برتر ، باز هم الگوریتم ERGSقادر است به دقت دسته بندی 98.61% با استفاده از   NBCبر روی دیتاست ALL-AMLدست یابد. همچنین این الگوریتم قادر است در مقایسه با سایر الگوریتم های انتخاب ویژگی ، بهترین مجموعه ویژگی ژنی را برای دسته بندی انتخاب نماید .  

جدول 2-1 نتایج پیاده سازی با  SVMوNBCبر روی دیتاست های مختلف

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26