روش انتخاب ویژگی بر اساس یادگیری زیرفضا و تجزیه‌ی ماتریس پایه برای داده‌های میکروآرایه‌ای Dna

داده‌های میکروآرایه‌ای dna در یادگیری ماشین و تشخیص انواع مختلف ساختارهای سرطانی نقش مهمی را ایفا می‌کنند. داده‌های میکروآرایه‌ای به طور معمول شامل تعداد زیادی ویژگی و تعداد اندکی نمونه هستند. هم‌چنین، این‌گونه داده‌ها به دلیل داشتن برخی ویژگی های نامرتبط می توانند موجب بیش برازش و کاهش دقت پیش بینی طبقه‌بند کننده‌ها شوند. بنابراین، آنالیز داده‌های میکروآرایه‌ای امری مهم و چالش برانگیز در یادگیری ماشین و فناوری ژنتیک مولکولی محسوب می‌شود. یک راه مستقیم برای مقابله با این چالش، کاهش بعد داده می‌باشد. روش انتخاب ویژگی به عنوان یک راه‌کار مهم برای کاهش ابعاد و افزایش کارایی الگوریتم‌های یادگیری عمل می‌کند. در این مقاله، با استفاده از مفهوم پایه برای مجموعه‌ی داده‌های میکروآرایه‌ای، یک روش جدید انتخاب ویژگی معرفی شده است. به عبارت دیگر، از یک پایه شامل یک زیرمجموعه‌ی بسیار کوچک از ژن‌ها، به جای کل مجموعه‌ی داده‌های میکروآرایه‌ای در تعریف مساله‌ی انتخاب ویژگی استفاده شده است. در این روش مساله‌ی انتخاب ویژگی بر اساس دیدگاه یادگیری زیرفضا و تجزیه‌ی ماتریس پایه فرمول بندی شده است. در نهایت، با استفاده از مجموعه‌ی داده‌های میکروآرایه‌ای dna، کارایی روش پیشنهادی بررسی شده و نتایج به دست آمده با نتایج چند روش انتخاب ویژگی معتبر مقایسه شده است.