9、混合智能技术在特征选择与分类中的应用

混合智能技术在特征选择与分类中的应用

1. 引言

随着高通量生物技术的发展，特征选择在减少大量生成数据方面发挥了重要作用。目前，有三种主要的特征选择技术被广泛用于从微阵列数据中选择和减少基因或特征：
- 过滤法（Filter） ：不直接优化分类器的分类准确率，而是使用一些评估标准（如基于相关性的特征选择、卡方统计、t 统计、ReliefF、信息增益和增益比）来选择基因。在这种方法中，基因选择和分类过程是分离的，但所选基因子集可能不足以提高分类器性能，因为在区分样本和识别目标基因时会丢失关键信息，且常常错过重要的生物通路信息。
- 包装法（Wrapper） ：根据识别出的基因子集提高分类准确率的能力来评估它们。分类器被包裹在特征选择过程中，目前，进化算法（如进化策略、遗传算法和二进制粒子群优化算法）已被引入作为分析微阵列数据集的最先进包装算法。这些算法通过随机生成基因子集非线性地选择基因，并且在探索大型搜索空间以解决组合问题方面非常有效。
- 嵌入法（Embedded） ：使用归纳学习算法作为特征选择器和分类器。特征选择实际上是分类过程的副产品，如分类树 ID3 和 C4.5。但嵌入法通常是基于贪心策略的，在每一步只使用排名靠前的基因进行样本分类，而替代分割可能表现更好，并且需要额外的步骤从嵌入算法中提取所选基因。

每种技术都有其局限性，为了克服这些局限性并利用它们的优势，人们提出了几种智能混合技术。计算智能技术通常使用搜索机制来寻找问题的最优解，与传统计算技术相比，它对不精确性、模糊性、近似性、不确定性和部分真实性具有容忍度。一些智能技术包括神经网络、进化计