文献类型：期刊文章

作　　者：谢娟英[1] 丁丽娟[1,3] 王明钊[2]

XIE Juan-Ying;DING Li-Juan;WANG Ming-Zhao(School of Computer Science,Shaanxi Normal University,Xi’an 710062,China;College of life Sciences,Shaanxi Normal University,Xi’an 710062,China;College of Information Engineering,Engineering University of PAP,Xi’an 710086,China)

机构地区：[1]陕西师范大学计算机科学学院,陕西西安710062 [2]陕西师范大学生命科学学院,陕西西安710062 [3]武警工程大学信息工程学院,陕西西安710086

出　　处：《软件学报》

基　　金：国家自然科学基金(61673251);陕西省科技攻关重点项目(2018ZDXMSF-079);国家重点研发计划(2016YFC0901900);科技成果转化培育项目(GK201806013);中央高校基本科研业务费专项资金(GK201701006);研究生培养创新基金(2015CXS028,2016CSY009,2018TS078)。

年　　份：2020

卷　　号：31

期　　号：4

起止页码：1009-1024

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：基因表达数据具有高维小样本特点,包含了大量与疾病无关的基因,对该类数据进行分析的首要步骤是特征选择.常见的特征选择方法需要有类标的数据,但样本类标获取往往比较困难.针对基因表达数据的特征选择问题,提出基于谱聚类的无监督特征选择思想FSSC(feature selection by spectral clustering).FSSC对所有特征进行谱聚类,将相似性较高的特征聚成一类,定义特征的区分度与特征独立性,以二者之积度量特征重要性,从各特征簇选取代表性特征,构造特征子集.根据使用的不同谱聚类算法,得到FSSC-SD(FSSC based on standard deviation) FSSCMD(FSSC based on mean distance)和FSSC-ST(FSSC based on self-tuning)这3种无监督特征选择算法.以SVMs(support vector machines)和KNN(K-nearest neighbours)为分类器,在10个基因表达数据集上进行实验测试.结果表明,FSSC-SD、FSSC-MD和FSSC-ST算法均能选择到具有强分类能力的特征子集.

关 键 词：谱聚类 无监督特征选择  特征独立性  特征区分度  特征重要度  

分 类 号：TP181]