首页 > 文献资料
-
基于错分代价的HingeBoost算法在高维数据判别分析中的应用
目的 探讨基于错分代价的HingeBoost算法在二分类高维数据中分类判别的效果.方法 通过模拟试验和实际代谢组学数据分析,对HingeBoost算法、AdaBoost算法、支持向量机、随机森林四种方法进行比较,并用ROC曲线下面积、灵敏度、特异度和错误率评价.结果 模拟试验和真实代谢组数据分析显示,HingeBoost算法内部参数错分代价能影响分类结果的判别,在线性结构、同时存在大量噪声变量时分类效果优于其他三种算法.结论 HingeBoost算法将错分代价引入模型,达到减少假阳性错误或假阴性错误的目的,同时有很强的抗噪声能力,适用于高维代谢组学数据分析,值得进一步研究.
关键词: HingeBoost 高维组学 分类判别 不等错分代价 -
随机梯度boosting算法在代谢组学研究中的应用
目的 探讨随机梯度boosting算法(SGB)对代谢组学数据分类判别和代谢物筛选的效果.方法 每一次迭代均根据损失函数小化原则得出“伪残差”,并用小二乘法对其构建基础分类器(决策树),终组合各分类器形成随机梯度boosting模型.通过模拟实验和真实代谢组学数据的分析,与Adaboost、RF、SVM三种算法进行比较.结果 无论是在模拟条件下还是真实数据中,随机梯度boosting算法的分类准确性都优于其他三种算法.算法可评价各代谢物重要性,有效地筛选出部分代谢物.结论 随机梯度boosting算法适用于代谢组学数据研究,对疾病早期诊断、治疗和预后具有重要价值,值得进一步研究和探索.
关键词: 随机梯度boosting 代谢组学 分类判别 特征筛选 -
中药质量评定中贝叶斯(BayeS)分类判别法的应用
在中药质量鉴别中,药品质量的优与劣评定多凭经验和专业知识进行,这种评定方式简单、直观,但主观因素较大.在中药质量评定时,一旦需要客观化、量化时,数学手段往往是首选,如在质量等级分类中,可以采用聚类分析、判别分析、主成分分析、因子分析等各种数学的分类判别方法.在诸多判别分析方法中,模糊聚类判别与贝叶斯(Bayes)分类判别往往可在一个问题中连用,一般先进行聚类分析,再进行贝叶斯判别分析,就可完成样品的识别与质量判定.