基于LAZE先验的机器学习方法在癌症数据上的应用——以前列腺癌数据集为例

叶颀; 林颖

doi:10.6054/j.jscnun.2018089

基于LAZE先验的机器学习方法在癌症数据上的应用——以前列腺癌数据集为例

叶颀^,,
林颖

(华南师范大学数学科学学院,广州 510631)

基金项目:

国家自然科学基金项目(1160162);华南师范大学高水平大学重点改革领域重大培育项目(S80835);华南师范大学引进人才科研启动项目(S81031);华南师范大学青年教师科研培育基金项目(600201)

详细信息

作者简介:
叶颀,教授,Email:yeqi@m.scnu.edu.cn.

通讯作者:
叶颀,教授,Email:yeqi@m.scnu.edu.cn.

中图分类号: O242.1
计量
- 文章访问数: 1309
- HTML全文浏览量: 173
- PDF下载量: 144
出版历程
- 收稿日期: 2017-05-10
- 刊出日期: 2018-08-24

Application of Machine Learning Methods Based on LAZE Priors to Cancer Data——Take the Prostate Cancer Data Set for Example

YEQi^,,
LIN Ying

(School of Mathematical Sciences,South China Normal University,Guangzhou 510631,China)

More Information

Author Bio:
YEQi: 叶颀,教授,Email:yeqi@m.scnu.edu.cn.

Corresponding author:
YEQi: 叶颀,教授,Email:yeqi@m.scnu.edu.cn.

摘要

摘要: 针对高维癌症数据的特征构建稀疏化模型,分析了已有的稀疏化方法能够取得稀疏化结果的原因,以此为基础改进了使用LAZE先验的贝叶斯方法,得到了2个适用于癌症数据的新稀疏化方法（使用半混合先验的贝叶斯方法和使用完整LAZE先验的贝叶斯方法）;并利用前列腺癌数据集对2个新稀疏化方法的可行性与有效性进行验证. 数值实验结果表明:与传统稀疏化方法相比较,新稀疏化方法不仅能够得到较好的稀疏效果,能够完全剔除与目标指标无关的临床指标,还能得到较低的误差.
- 癌症数据 /
- 机器学习 /
- 稀疏模型 /
- LAZE先验 /
- MCMC方法
Abstract: A sparse model according to the characteristics of high-dimensional cancer data is constructed, the reasons why existing sparse methods can achieve sparse results is analyzed, and based on this, the Bayesian method using LAZE prior is improved, and two new sparse methods suitable for cancer data are obtained: Bayesian method using semi-mixed prior and Bayesian method using complete LAZE prior. The feasibility and effectiveness of the two new sparse methods obtained in this study are verified by using prostate cancer dataset. Numerical experimental results show that compared with traditional sparse methods, the new sparse methods can not only get better sparse effect and completely remove clinical indicators unrelated to the target indicators but also decrease errors.
- cancer data /
- machine learning /
- sparse model /
- LAZE prior /
- MCMC method