انتخاب ژن و طبقه بندی داده های ریزآرایه با استفاده از آنالیزهای همبستگی، الگوریتم بهینه سازی ازدحام درات باینری و شبکه عصبی احتمالاتی

داده های ریز آرایه در تشخیص و طبقه بندی انواع بافت های سرطانی نقش به سزایی دارند. تعداد نسبتا کم نمونه ها و ابعاد بالای ویژگی ها در ریز آرایه باعث ایجاد مشکلاتی در طراحی طبقه بندها شده است. بنابراین داده های ریزآرایه قبل از طبقه بندی از طریق تکنیک های انتخاب ژن پیش پردازش و ژن های فاقد اطلاعات آن ها دور ریخته می شود. به طور کلی دو مدل انتخاب ویژگی (ژن) وجود دارد: مدل filter و مدل wrapper. مدل filter ژن هایی را به عنوان ژن های موثر انتخاب می کند که دارای توانایی تفکیک کنندگی بالایی باشند. این مدل مستقل طبقه بندی یا لگوریتم یادگیری است. مدل wrapper در حین فرایند جستجوی ژن های موثر از طبقه بند استفاده می کند. به عبارتی wrapper از الگوریتم یادگیری برای تست زیر مجموعه ژن انتخاب شده است. دقت مدل wrapper نسبت به مدل filter بیشتر است. هدف این مقاله استفاده از روش های filter و wrapper برای استخراج ژن های موثر و مقایسه دقت طبقه بندی آنهاست. در مدل filter برای سنجش توانایی تفکیک کنندگی ژن ها از آنالیز همبستگی پیرسون و اسپرمن، ضریب کسینوس و فاصله اقلیدسی و مدل wrapper از الگوریتم بهینه سازی ازدحام ذرات باینری جهت انتخاب ژن ها موثر استفاده شده است. در هر دو مدل از طبقه بند شبکه عصبی احتمالاتی استفاده شده است. نتایج پیاده سازی نشان می دهد که دقت طبقه بندی ژن های استخراج شده از روش wrapper برابر 91.47% است