فاطمه امین زاده - دانشگاه شهید چمران
علیرضا عصاره - دانشگاه شهید چمران اهواز
بیتا شادگار - دانشگاه شهید چمران اهواز

تکنولوژی ریزآرایه باعث تولید حجم انبوهی داده دسته بندی در بسیاری از زمینه ها شده است. تحلیل داده های ریزآرایه وکلاس بندی آنها، نشان میدهد این روش در تشخیص بیماریها و سرطان تأثیربسزایی دارد. با توجه به تحقیقات بسیاری که در مورد کلاسبندی دادههای ریزآرایه صورت گرفته است، اعمال روشهای معمول یادگیری ماشین دارای معایبی ذاتی برای رسیدن به یک کلاسبندی پایدار ودقیق است. بنابراین مطلوبتر است که از ترکیب دسته بندی کننده های خبره به جای تکیه بر نتیجه ی تنها یک دسته بندی کننده استفاده شود.در این مقاله، کلاسبندی سرطان، مبتنی بر داده های ریزآرایه با استفاده از یک دسته بندی کننده ی جدید پیشنهاد شده، با نام RotBoost بررسی شده است. این دسته بندی کننده از ترکیب تکنیکهای AdaBoost و Rotation Forest تولید میشود. با توجه به تحقیقات قبلی انجام شده در زمینهی ریزآرایه ها، این اولین باری است که RotBoost بر روی دسته بندی کننده ی داده های ریزآرایه اعمال گردیده است. این تحقیق بر روی 8 مجموعه داده ی ریزآرایه واقعی،پیاده سازی شده و از درخت تصمیم به عنوان دسته بندی کننده ی پایه در آن استفاده شده است. بررسی آزمایشها نشان میدهد که در اکثراین ریزآرایه ها، روش RotBoost از دقت بالاتری نسبت به تکنیکهایی نظیر AdaBoost و RotationForest برخوردار است.

داده های ریزآرایه DNA، دسته بندی کننده ترکیبی، کلاس بندی سرطان