.png){kind=icon}
返回
Efficient Techniques Based on Sparse Representation for Classifying High-dimensional Multiclass Microarray Data
.png){kind=icon}
PRE
AI
DOI：10.4103/jmss.jmss_52_25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：稀疏表示（SR）在分类任务中表现出较强的性能，尤其对于高维数据如微阵列基因表达谱。这些数据集由于高维性和样本量有限，给传统分类器带来显著挑战。方法：SR通过将每个信号表示为少量训练样本的线性组合，降低计算复杂度并提高精度。但使用全部训练样本构建字典会增加计算成本。本研究探讨了几种基于SR的分类器以解决微阵列数据分类问题，重点研究字典构建策略和稀疏编码算法。结果：在14-Tumors数据集上的实验结果表明，选择代表性原子子集并应用SL0算法可显著提升分类速度和准确率。结论：这些发现凸显了SR方法在有效且高效分类高维生物数据方面的潜力。
Keyword:
Computational biology
dictionary learning
gene expression
hierarchical classification
high-dimensional data
microarray data classification
sparse representation
期刊
J
IF:
0
论文数:
15
被引数:
0
机构
引用论文
An Experimental Comparison of Feature-Selection and Classification Methods for Microarray Datasets.png)
Information
OAAI
InformationIF0
OAAI分享收藏分享收藏
A fuzzy classification system based on memetic algorithm for cancer disease diagnosis基于文化算法的癌症疾病诊断模糊分类系统
PREAI
分享收藏
查看更多内容