[发明专利]面向不均衡大数据集的无监督文本主题相关基因提取方法

摘要

本发明公开了一种面向不均衡大数据集的无监督文本主题相关基因提取方法，采用因子分析和密度峰值算法来获取高维样本集的聚类簇，标注无标签样本；利用平均局部密度和信息熵来改进基于CHI统计矩阵的特征选取方法，强化低密度、小样本簇的特征表达度；采用基于负熵的快速固定点算法，分析多维数据间的高阶统计相关性，提取独立的隐含主题特征基因及完成分量间高阶冗余的去除。不需采用大规模已标注样本进行训练，能够有效避免对样本类别关系及特征结构的预定义；克服采用过抽样或欠抽样方法对原始不均衡数据集的类别分布所带来的影响。通过对特征类别结构的修正，改善了CHI统计选择方法的性能；还实现了在保持样本集辨识能力情况下的有效特征降维。