بهبود دسته بندی سرطان ریه با استفاده از دسته بند جنگل تصادفی

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,039

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CEIC03_073

تاریخ نمایه سازی: 4 آذر 1389

چکیده مقاله:

شناسایی دقیق سرطان به امید درمان بیمارانی که از این بیماری سخت رنج می برند بسیار کمک می کند امروزه میکروارایه های DNA به دانشمندان اجازه نمایش هزاران ژن را بطور شبیه سازی شده داده اند و همچنین می توانند آن ژنهایی که فعال، فرافعال یا ارام هستند را در بافتهای سرطانی یا نرمال شناسایی کنند انتخاب ژن شناسایی ژن های مهم شاخص تحت شرایط متفاوت است تحلیل داده های میکروارایه برای درگیر شدن با تعداد زیادی ژن در مقابل تعداد نسبتا کم نمونه ها معروف است برای مقابله با این مشکل در این مقاله روشی پیشنهاد شده است که از یکسو برای کاهش چند بعدی پایگاه داده ژن ها مناسب است و از سوی دیگر به بالا بردن دقت دسته بندی نمونه های سرطان کمک می کند دراین مقاله برای رسیدن به هدف شناسایی دقیق و سریع سرطان ابتدا پایگاه داده اموزشی به دسته های ژن 2000 تایی بطور ترتیبی تقسیم می شود دقت دسته بندی توسط الگوریتم جنل تصادفی به دست امده و توسط روش ترکیبی انتخاب ژن GA-Cfs برای هر دسته تعداد ژن ها کاهش داده می شود

نویسندگان

سوده توسلی

گروه کامپیوتر دانشگاه آزاد اسلامی واحد لاهیجان

محمد صنیعی اباده

دانشکده برق الکترونیک و رایانه دانشگاه تربیت مدرس تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Sude Tavassoli, Mohammad Saniee Abadeh, "An Efficient ...
  • Conference on Information and Automation for Sustainability (ICIAfS 2010), Colombo, ...
  • Puyan Daei Shalkuhi, Sude Tavassoli, :Gene Selection Approaches for Cancer ...
  • _ the _ IEEE _ _ Information and Automation for ...
  • Yvan Saeys, In aki Inza and Pedro Larran aga, "A ...
  • bioinformatic s/btm344, Vol. 23 no. 19 2007, pages 2507- 2517, ...
  • Shital Shah, Andrew Kusiak, "Cancer gene search with data- mining ...
  • G.J. Gordon, R.V. Jensen, L. Hsiao, S.R. Gullans, J.E. BIumenstock, ...
  • Witten, E. Frank, :Duta Mining", Morgan Kaufmann, San Francisco, CA, ...
  • Hong Hu, Jiu-yong Li, Hua Wang, grant daggard, li-zhen wang ...
  • Kun Yang, Zhipeng Cai, Jianzhong Li and Guohui Lin, ; ...
  • Saso DZeroski, Bernard Zenko, "Is Combining Classifiers wvith StackingBetter than ...
  • Leo Breiman, "Random Forests", Machine Learning, 45, 5- 32, 201. ...
  • Cheng-Lung Huang, ;A GA-based feature selection and parameters optimization for ...
  • Yu Wanga, Igor V. Tetkoa, Mark A. Hallb, Eibe Frankb, ...
  • _ "A comprehensive evaluation of multicategory classification methods for microarray ...
  • Shuangge Ma and Jian Huang, "Regularized _ selection in Ccancer ...
  • Dariusz Mazur.Silesian , University of Technology, "Clustering based on genetics ...
  • نمایش کامل مراجع