目錄摘要 [16]。在分類任務(wù)中，根據(jù)這k個鄰居的信息進(jìn)行預(yù)測，通常采用投票法確定最頻繁出現(xiàn)的類別作為預(yù)測結(jié)果；而在回歸任務(wù)中，可使用平均法將這k個鄰居的輸出標(biāo)記均值作為預(yù)測結(jié)果。此外，可根據(jù)距離加權(quán)平均或加權(quán)投票，賦予距離更近的樣本更大權(quán)重。相較于其他算法，k近鄰算法不存在顯式的訓(xùn)練過程，被視為“懶惰學(xué)習(xí)”的代表，僅簡單保存樣本，無需訓(xùn)練花費。只有在接收到測試樣本后才進(jìn)行處理和預(yù)測。在對樣本進(jìn)行學(xué)習(xí)處理的方法稱為“急切學(xué)習(xí)”?？偟膩碚f，k近鄰算法是一種簡單易懂的監(jiān)督學(xué)習(xí)方法。其靈活性高，可以適應(yīng)各種數(shù)據(jù)類型和問題類型。然而，該算法也存在一些缺點，如計算復(fù)雜度較高、對數(shù)據(jù)量敏感等。因此，在實際應(yīng)用中，需要根據(jù)情況選擇合適的k值和距離度量方法，以提高算法的性能表現(xiàn)。優(yōu)點是準(zhǔn)確性高，對異常值和噪聲有較高的容忍度。缺點是計算量較大，對內(nèi)存的需求也較大。在knn算法中用到了兩種距離公式。(1)歐幾里得距離：歐幾里得距離是我們在平面幾何中最常用的距離計算方法，即兩點之間的直線距離。(2)曼哈頓距離：曼哈頓距離是計算兩點在一個網(wǎng)格上的路徑距離，與上述的直線距離不同，它只允許沿著網(wǎng)格的水平和垂直方向移動。2.4基因的特征選擇算法2.4.1特征選擇技術(shù)特征選擇技術(shù)是通過特征子集搜索算法，在數(shù)據(jù)特征組合的搜索空間中尋找與模式識別問題高度相關(guān)的特征子集，以提高學(xué)習(xí)算法的識別性能。根據(jù)特征相關(guān)性可劃分特征為完全不相關(guān)和噪聲特征、弱相關(guān)且冗余特征、弱相關(guān)且不冗余特征、強相關(guān)特征。最佳特征子集需包含弱相關(guān)且不冗余特征和強相關(guān)特征，后者對性能提升至關(guān)重要。特征可在單獨評估時表現(xiàn)為無關(guān)，但與其他特征結(jié)合評估時可能表現(xiàn)為相關(guān)，導(dǎo)致數(shù)據(jù)集存在多個相關(guān)特征子集，彼此相關(guān)性不高。理想特征選擇算法應(yīng)具備保留所有強相關(guān)和部分弱相關(guān)特征、剔除無關(guān)特征和噪聲特征的能力。2.4.2特征選擇的種類（1）根據(jù)訓(xùn)練數(shù)據(jù)類別信息區(qū)分特征選擇可根據(jù)訓(xùn)練樣本是否包含類別信息分為有監(jiān)督型、無監(jiān)督型和半監(jiān)督型。有監(jiān)督型處理包含類別信息的訓(xùn)練樣本，無監(jiān)督型處理不包含類別信息的訓(xùn)練樣本，半監(jiān)督型處理部分包含類別信息的訓(xùn)練樣本。不論是哪種類型的特征選擇算法，通常包括四個關(guān)鍵步驟：確定搜索方向、特征子集搜索、特征子集評價和特征子集驗證。特征選擇是循環(huán)迭代的過程，搜索策略用于找到候選子集，評價策略對其進(jìn)行評估。通過循環(huán)迭代搜索和評價直至滿足停止條件，得到最佳特征集。最后，驗證最優(yōu)特征集的效用需要在獨立的測試數(shù)據(jù)上完成。這些步驟組合確保了特征選擇的有效性和適用性。（2）根據(jù)特征子集評價策略區(qū)分特征選擇算法可根據(jù)特征子集評價策略劃分為5種主要類型：過濾式（Filter）、封裝式（Wrapper）、嵌入式（Embedded）、混合式（Hybrid），以及近年興起的集成式（Ensemble）。每種類型在特征選擇過程中具有不同的優(yōu)缺點和適用場景。2.4.3CFSSubsetEvalCFSSubsetEval，即基于相關(guān)性的特征子集選擇方法Correlation-basedFeatureSubsetSelection（CFS）Evaluation。作為經(jīng)典CFS算法的擴(kuò)展版本，用于評估特征子集的優(yōu)劣。特征選擇在機器學(xué)習(xí)領(lǐng)域至關(guān)重要，可削減特征空間維度，提高模型擬合效果，對高維數(shù)據(jù)處理有益。CFSSubsetEval算法基于特征子集相關(guān)性評估其質(zhì)量，找到最佳特征子集。通過分析特征之間的相關(guān)性，該算法能夠精確評估特征集的質(zhì)量，有助于選取對模型性能影響最大的特征子集。CFSSubsetEval方法的應(yīng)用，提升了特征選擇的準(zhǔn)確性和有效性，為數(shù)據(jù)分析和模式發(fā)現(xiàn)提供了有力支持。CFSSubsetEval算法的原理主要包括以下幾個方面：CFSSubsetEval算法是評估特征子集的相關(guān)性，主要通過計算特征之間的相關(guān)性。常用的相關(guān)性度量方法包括皮爾遜相關(guān)系數(shù)和克努爾相關(guān)系數(shù)。相關(guān)系數(shù)越大，表示特征相關(guān)性越高。在特征選擇任務(wù)中，我們通常傾向于選擇相關(guān)性較小的特征，因為這些特征提供更多獨立信息，有助于提升模型性能。特征子集的選擇是基于對其相關(guān)性和使用評價函數(shù)的評估，通過這一過程為每個特征子集確定評分。CFSSubsetEval算法使用這些評分來挑選最佳的特征子集，以在后續(xù)模型的訓(xùn)練和預(yù)測中應(yīng)用。這種方式幫助優(yōu)化特征選擇過程，并確保選取的特征子集能夠在后續(xù)任務(wù)中發(fā)揮最佳效用。CFSSubsetEval是一種基于特征相關(guān)性的特征子集選擇方法。該算法評估特征子集的相關(guān)性，通過評價函數(shù)評估，找到最佳特征子集。在實際機器學(xué)習(xí)中，CFSSubsetEval可降維、提升模型擬合效果，尤其對高維數(shù)據(jù)處理有益。算法具有顯著實用價值。特征選擇在機器學(xué)習(xí)中至關(guān)重要，有助于提升泛化能力、降低過擬合風(fēng)險，加速模型訓(xùn)練和預(yù)測。而CFSSubsetEval作為基于相關(guān)性的特征選擇方法，能有效找到最佳特征子集，提升模型性能。通過CFSSubsetEval的應(yīng)用，我們能夠在特征子集中挑選出對模型有關(guān)鍵影響的特征，以改善預(yù)測結(jié)果和提高模型準(zhǔn)確性，為數(shù)據(jù)分析和模型構(gòu)建提供有效支持。2.5本章小結(jié)本章主要介紹了腫瘤基因表達(dá)譜數(shù)據(jù)挖掘研究相關(guān)理論，包括腫瘤基因表達(dá)譜的特點和在實驗中對數(shù)據(jù)集使用的算法進(jìn)行詳細(xì)描述，包括算法原理和數(shù)學(xué)表達(dá)式。第3章基于機器學(xué)習(xí)的腫瘤基因表達(dá)譜數(shù)據(jù)挖掘研究3.1實驗環(huán)境與工具AMDRyzen74700UwithRadeonGraphics2.00GHzSAMSUNGMZVLB512HBJQ-00000Pycharm3.2實驗過程3.2.1腫瘤基因表達(dá)數(shù)據(jù)有影響力的生物信息類期刊，實驗中采用的數(shù)據(jù)均來自這些數(shù)據(jù)庫。實驗選取了三組不同類型的腫瘤數(shù)據(jù)集。它們分別為ColonTumor和DLBCL樣本數(shù)據(jù)，具體的描述見表3-3。表3-3三組腫瘤基因表達(dá)數(shù)據(jù)2Colon6220002兩類別3.2.2特征處理為了提高分類任務(wù)的準(zhǔn)確性并節(jié)省時間和計算成本，我們需要從包含大量與分類不相關(guān)和冗余的因中篩選出與分類相關(guān)的基因。重是通過提取與腫瘤分類相關(guān)特征來實現(xiàn)更好的分類力。這樣做可以降低特征空間的維度，并消除對分類任務(wù)無用的信息。在分類之前，采用有效的CFSSubsetEval方法對這兩組腫瘤數(shù)據(jù)集先進(jìn)行預(yù)處理，丟棄對腫瘤分類相關(guān)性不大的基因。本文首先對數(shù)據(jù)進(jìn)行預(yù)處理，然后在WEKA中采用CFSSubsetEval進(jìn)行特征選擇，經(jīng)過約減后的數(shù)據(jù)信息見表3-4。表3-4特征選擇結(jié)果數(shù)據(jù)集原始基因數(shù)特征選擇后712993Colon200026如表所示，經(jīng)過特征選擇后，DLBCL和Colon這兩組癌癥數(shù)據(jù)的特征維度顯著減少。在DLBCL數(shù)據(jù)集，原本有7129個屬性的征被減少到僅有93個。而在Colon數(shù)據(jù)集中，原本有2000個特征的維度被減少到僅有26個。這一特征選擇的過程大大簡化了后續(xù)的分類任務(wù)。3.2.3分類對比本文將經(jīng)過特征約減后的兩組癌癥數(shù)據(jù)集用于三種分類器模型進(jìn)行分類，對比結(jié)果，選出一個相對較好的方法。表3-5不同分類方法的準(zhǔn)確率對比數(shù)據(jù)集KNN決策樹樸素貝葉斯DLBCL0.8750.81250.875Colon0.769230.846150.69231從上表中可以看出，在DLBCL數(shù)據(jù)集上，KNN算法和樸素貝葉斯算法的準(zhǔn)確率一樣，比決策樹算法好，但是在Colon數(shù)據(jù)集上，決策樹算法更好。召回率是衡量分類模型對正樣本識別能力的一個重要指標(biāo)，召回率越高，說明模型對正樣本的識別能力越強。表3-6不同分類方法的召回率對比數(shù)據(jù)集KNN決策樹樸素貝葉斯DLBCL0.91670.91670.9167Colon0.750.8750.625從上表可知三個算法在處理DLBCL數(shù)據(jù)集上的結(jié)果一致，但在Colon數(shù)據(jù)集上決策樹算法更好。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均值，它綜合了這兩個指標(biāo)的信息。F1分?jǐn)?shù)越高，說明分類模型的區(qū)分正負(fù)樣本能力越強，模型越穩(wěn)健。表3-7不同分類方法的F1-Score對比數(shù)據(jù)集KNN決策樹樸素貝葉斯0.91670.880.9167Colon0.80.8750.71429從上表中可以看出，在DLBCL數(shù)據(jù)集上，KNN算法和樸素貝葉斯算法的F1分?jǐn)?shù)一樣，比決策樹算法好，但是在Colon數(shù)據(jù)集上，決策樹算法更好。ROC（ReceiverOperatingCharacteristic，接收者操作特性）曲線越高越好。具體來說，AUC（AreaUnderCurve，曲線下面積）的取值范圍在0.5到1之間，值越大表示模型性能越好。ROC曲線越接近左上角，表示模型性能越好；曲線越接近對角線，則表示模型性能越差。不同數(shù)據(jù)集的ROC曲線如下圖所示：圖3-2DCBCL數(shù)據(jù)集三種分類算法ROC曲線圖由上圖可知樸素貝葉斯算法的ROC值最高，決策樹最低。圖3-2Colon數(shù)據(jù)集三種分類算法ROC曲線圖由上圖可知樸素貝葉斯算法的ROC值最高，KNN算法最低。結(jié)合以上所有評價指標(biāo)，KNN算法較好。3.3本章小結(jié)本章主要介紹了基于機器學(xué)習(xí)的腫瘤基因表達(dá)譜數(shù)據(jù)挖掘研究的實驗。首先介紹了實驗環(huán)境和工具，以及所用到的數(shù)據(jù)集。然后對數(shù)據(jù)集進(jìn)行特征處理，在進(jìn)行分類對比，最后得出結(jié)論，KNN算法相對較好。第4章展望與總結(jié)隨著工業(yè)化進(jìn)程不斷推進(jìn)，生活環(huán)境污染加劇，疊加人口趨向老齡化，腫瘤已成為人們生活中常見的疾病之一，腫瘤發(fā)病率日漸提升。腫瘤疾病高發(fā),催生了腫瘤醫(yī)院及抗腫瘤藥物、器械廣闊的需求空間。因此攻克腫瘤這個難關(guān)任重而道遠(yuǎn)。在醫(yī)院中，很多腫瘤早期沒有多種具有醫(yī)學(xué)意義的特征，尤其是因為不同原因?qū)е碌陌Y狀不同，使得醫(yī)生更加難以觀察，難以得到有效信息進(jìn)行診斷。在很多偏遠(yuǎn)地區(qū)醫(yī)療技術(shù)并沒有那么發(fā)達(dá)，極度缺這樣才能更方便后續(xù)的實驗進(jìn)行。2.本文嘗試的是腫瘤方面，未來也可以嘗試其他分類任務(wù)，腦電信號、心電信號等。這些信號內(nèi)容，可以通過借鑒腫瘤基因表達(dá)知識圖譜研究的方法3.本實驗所采取的數(shù)據(jù)集均為二分類，因此，在下一步的工作中，我們會嘗試將使用其他類型的數(shù)據(jù)，使實驗結(jié)果更加準(zhǔn)確可靠。同時，為了使算法更有利于實際問題的解決，在未來我們還將關(guān)注于結(jié)合多種類型的數(shù)據(jù)，以實現(xiàn)更細(xì)致的分析。參考文獻(xiàn)熊月玲.基于代價敏感學(xué)習(xí)的腫瘤基因表達(dá)譜數(shù)據(jù)挖掘研究[D].皖南醫(yī)學(xué)院,2022.韓旭.基于機器學(xué)習(xí)算法的基因表達(dá)數(shù)據(jù)處理與分析[D].天津大學(xué),2018.劉健.基于機器學(xué)習(xí)的腫瘤基因表達(dá)譜數(shù)據(jù)分析方法研究[D].中國礦業(yè)大學(xué),2018.穆輝宇.腫瘤基因特征選擇方法研究[D].河南師范大學(xué),2018.高凌云.基于機器學(xué)習(xí)和智能優(yōu)化的腫瘤基因表達(dá)數(shù)據(jù)挖掘研究[D].皖南醫(yī)學(xué)院,2018.曹丹.基于腫瘤基因表達(dá)譜數(shù)據(jù)的分類算法研究[D].湖南大學(xué),2015.于洋.基于基因表達(dá)譜的腫瘤特征基因選取研究[D].昆明理工大學(xué),2012.HuangC,HuangX,FangY,etal.Sampleimbalancediseaseclassificationmodelbasedonassociationrulefeatureselection.PatternRecognitLett,2020,133(1):280-286.GhiwaA,H.RA,FadiK.IdentifyingtheOpportunitiesandChallengesofProjectBundling:ModelingandDiscoveringKeyPatternsUsingUnsupervisedMachineLearning[J].JournalofInfrastructureSystems,2024,30(1):XinyiC,XiangL,YukeW,etal.Researchrelatedtothediagnosisofprostatecancerbasedonmachinelearningmedicalimages:Areview.[J].Internationaljournalofmedicalinformatics,2023,181105279-105279.LuyangL,XianmeiY,XuemingC,etal.TheeffectsofBeauveriabassianainfectiononthegeneexpressionprofilesofDiaphorinacitriadults[J].BiologicalControl,2023,187宋健,孟凱強,沈舒文等.基于Python構(gòu)建機器學(xué)習(xí)探究中藥治療胃癌通路決策樹的規(guī)律性[J].世界中西醫(yī)結(jié)合雜志,2024,19(02):225-232.姜超,馮哲,