Hybrid Dimensionality Reduction for Classification of Microarray Data
-
- Englisch ausgewählt
42,99 €
UVP
49,90 €
inkl. gesetzl. MwSt.,
Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
23.10.2017
Verlag
LAP LAMBERT Academic PublishingSeitenzahl
116
Maße (L/B/H)
22/15/0,8 cm
Gewicht
191 g
Auflage
1. Auflage
Sprache
Englisch
ISBN
978-620-2-06433-0
High dimensionality affects the performance of classifiers, especially for microarray gene expression data sets. Many efficient dimensionality reduction techniques that transform these high dimensional data into a reduced form have been proposed for microarray data analysis. These techniques perform well. However, these techniques need to be improved in systematic ways as regards to their performance metrics. This study combines the two dimensionality reduction technique, feature selection and feature extraction, to address the problems of highly correlated data and selection of significant variables out of a set of features, by assessing important and significant dimensionality reduction techniques contributing to efficient classification of genes in a data. One-Way-ANOVA is employed for feature selection to obtain an optimal number of genes; Principal Component Analysis (PCA) as well as Partial Least Squares (PLS) is employed as feature extraction methods separately, to reduce the selected features from microarray dataset. An experimental result on colon cancer dataset uses Support Vector Machine (SVM) as a classifier.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für dein Feedback
Wir nutzen dein Feedback, um unsere Produktseiten zu verbessern. Bitte habe Verständnis, dass wir dir keine Rückmeldung geben können. Falls du Kontakt mit uns aufnehmen möchtest, kannst du dich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice