26、复杂网络挖掘：支持诊断决策的新挑战

复杂网络挖掘：支持诊断决策的新挑战

1 引言

在当今社会，关系无疑是生活的核心，而新技术让这些关系在不同层面得以展现并发挥益处。例如，信息和通信技术（ICT）推动了社会社区的发展，不仅促进了人与人之间的交流，还支持了患者参与和赋权。生物科技，如微阵列技术，不仅能同时表达数千个基因，还让我们更好地理解生物系统中的相互作用机制。

然而，新技术也带来了新挑战。尽管有大量工具可用于捕获、处理和共享信息，但我们不能简单地假设这些数据是独立同分布（i.i.d.）的。实际上，样本之间往往相互关联，这违反了 i.i.d. 假设。

近年来，机器学习领域开始将传统问题扩展到复杂交互系统和网络中。在这种情况下，传统算法不仅可能从实例间的链接信息中受益，还可能因无法准确推断而失效。

本文通过一个实际案例研究，介绍如何在复杂网络中挖掘知识，特别是展示特定类型的信息如何为机器学习中的分类问题带来益处。具体来说，我们将展示在考虑网络和差异特征提供的额外信息时，分类模型的准确性如何提高。

2 材料与方法

2.1 乳腺癌数据集

本文的案例研究采用威斯康星乳腺癌数据集。该数据最初来自威斯康星大学医院的 William H. Wolberg 博士，他会定期报告临床病例。数据也可从 UCI 机器学习数据库存储库获取，并且是 R 包 mlbench 的一部分。

整个数据集包含 699 个样本，但由于存在缺失值，有 16 个样本被移除。数据中存储了多个协变量，具体包括九个细胞学特征，这些特征在样本收集时按 1 到 10 的等级进行评分，1 表示最接近正常组织，10 表示最间变。这些特征包括：
- 肿块厚度