[发明专利]一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法

摘要

一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法，根据肿瘤基因表达数据的类别信息计算邻域，为了更好地利用类别信息，重新定义一种新的距离表达方式，I相同标签样本之间的距离；II不同标签样本之间的距离；分别计算类内与类外样本点的重构权；判别准则；特征评价函数。本发明具有LLE Score算法可以将高维的邻域信息保留在低维结构里，并可以很好地利用标签信息，同时计算代价小等特点。可以根据特征选择后的降维效果，对基因数据进行有效的分类。

主权项

一种基于局部线性嵌入算法的肿瘤基因表数据特征选择方法，其特征在于：S1本方法从肿瘤数据库里获取到一组具有i类n组样本的肿瘤基因表达数据集，{xi}n，i∈{1,…,c}，让ni代表相同标签i下的肿瘤样本点，xi为肿瘤样本点的数据；S2根据以上肿瘤基因表达数据的类别信息计算邻域；利用以上的获取到的肿瘤基因表达数据集的类别信息，分别计算相同标签下和不同标签下样本点的邻域为了达到求取到样本点类内与类外的邻域的效果，定义一种新的距离表达方式，如下：I相同标签样本之间的距离；保存相同标签样本点之间的欧式距离不变，定义不同标签之间的距离为无穷；ds=||xni-xnj|,i=j∞,i≠j]]>II不同标签样本之间的距离；保存不同标签下样本点之间的欧式距离不变，定义相同标签的样本点之间的距离为无穷；dd=||xni-xnj||,i≠j∞,i=j∞,i≠j]]>S3分别计算获取到的肿瘤基因表达数据集类内与类外样本点的重构权；样本点与它的邻域点之间的重构权如下表示：X^i=Σj=1nwijXj]]>最优重构权的选取，通过极小化下面的重构权误差来实现：ϵ(wi)arg min||xi-Σj=1kwijxj||2]]>权wij表示样本点xj对样本点xi的贡献，并且有两个限制：⑴若xj不是xj的邻域，则wij＝0；⑵对所有的i，∑jwij＝1,i＝1,2,…,n.根据类别信息定义的距离，分别计算以下类内与类外的重构权：I类内重构权；按照定义的新的相同标签的样本点之间的距离，LLE算法可以很容易的通过排序新的距离找到与样本点相同标签下的Ks个最近邻点，而不至于找到到不同标签下的样本点；因此，相同标签下的重构权可以按如下公式计算：ϵ(ws)=arg min||xni-Σi=1nwiixci||2]]>这里，样本点是相同标签i下样本点的邻域；II类外重构权；按照定义的新的不同标签下的样本点之间的距离，LLE算法同样可以很容易的通过排序新的距离找到与样本点不同标签下的Kd个最近邻点，而不至于找到相同标签下的样本点；因此不同标签下的重构权可以按如下公式计算：ϵ(wd)=argmin||xni-Σj=1nwijxcj||2]]>上式中，是标签j下的样本点，是标签i下的样本点，样本点是样本点不同标签下的邻域；S4判别准则定义当[K],[M]正定时：ρ{φ}={φ}T[K]{φ}{φ}T[M]{φ}]]>其中，φ是特征子空间中的任一向量；一个好的特征子集是在一定程度上可以代表整个全部数据集；由以上广义Rayleigh商定义，可知最优特征求解：可以通过让以上肿瘤基因表达数据集类间的样本点最大化远离、类内的样本点最大化聚类；于是，一个新的理想的特征求解准则提出：Y=arg maxtr(YMdYT)tr(YMsYT)]]>这里，Ms＝(I‑Ws)T(I‑Ws)Md＝(I‑Wd)T(I‑Wd)S5特征评价函数；定义以上从肿瘤数据库获取到的肿瘤基因表达数据集的维数是d；特征选择的目的就是寻找到最优的特征子集；如果是要从d个特征里寻找m个特征，那么就是将d维的数据集x降到m维的数据集y；线性变换表示为：y＝ATx这里，A∈Rd×m是一个选择矩阵，将一个列向量ai∈Rd表示为：那么，在公式y＝ATx里的A可以写成：A＝[a1,a2,…,am]在这里，A的作用就是选择一个特征fi，于是，tr{yMdyT}＝tr{ATxMdxTA}＝fjTMdfjtr{yMsyT}＝tr{ATxMsxTA}＝fjTMsfj因此，特征评价的子集fj可以如下计算：Score(fj)=fjTMdfjfjTMsfj]]>其中，fj∈Rn(j＝1,2,…,m)；最后，通过根据分数Score(fj)从大到小对基因进行排序，得到基因序列：[F1,F2,...,F12600]。