抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
バイオインフォマティクスにおける研究者と開業医は,しばしば高次元(非常に大きな特徴空間)の問題に遭遇する。この多数の特徴は遺伝子発見を著しく妨げ,その後の分析を計算的に高価にする。したがって,実行者は特徴の数を減らし,計算を単純化するために特徴選択を適用する。フィルタベースの特徴選択(フィルタ)と呼ばれる特徴選択の1つのファミリーは,最も重要な特徴を見つけるために分類器を使用することなく統計的方法を採用する。フィルタの領域内で,フィルタベースのサブセット選択技術は,各個別特徴(すなわち,フィルタベースの特徴ランキング)よりも,同時に特徴グループを評価する。したがって,フィルタベースの部分集合選択技術は,ランクベースの特徴選択技術(冗長の代わりに関連する特徴のみを目標とすることができる)と比較して,独特の特徴(選択された集合における他の特徴と高度に相関しない)を選択する利点がある。残念ながら,ノイズ(データにおける不正確で欠落した値)は,生物情報学における一般的な問題である。ノイズはデータマイニング技術を混乱させることができ,データセットを学習するのがより困難になる。フィルタに基づく部分集合選択技術に焦点を合わせた研究は比較的少なく,特に生物情報学において,雑音による学習の困難さの文脈において,それらの有効性を調べた。本研究では,雑音による学習困難度のレベルを変化させて,実世界の高次元バイオインフォマティクスデータセットを用いて,2つのフィルタベースのサブセット選択技法を比較した。著者らは,4つの一般的に使用されている分類器を用いて,相関ベースの特徴選択(CFS)とそれに続く分類を採用した。著者らは,CFSが一貫してすべての難易度レベルと学習者を通してConsistencyより優れていることを見出した。したがって,著者らは,重要な遺伝子を同定するだけでなく,冗長な遺伝子を除去するサブセット評価技術としてCFSを使用することを推奨する。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】