A Comparative Analysis of Feature Selection Algorithms for Cancer Classification Using Gene Expression Microarray Data
Notice bibliographique
Résumé
DNA Microarray technology allows simultaneous analysis of gene expression levels, making it useful in cancer classification.However, analyzing Microarray data is challenging due to the large number of genes and their sparsity.Feature selection has emerged as an effective method to overcome these challenges.This research aims to study the impact of three well-known feature selection algorithms (ReliefF, Chi Square, and ANOVA) in enhancing the accuracy of gene expression profile classification.A three-stage approach was employed: data preprocessing, feature selection, and feature classification.The focus is on selecting relevant features to accurately represent the problem under study.Four classifiers, i.e., SVM, GNB, LDA, and KNN, were evaluated using the aforementioned feature selection algorithms.The proposed methodology was tested on 10 publicly available gene expression datasets.Using all genes, the SVM classifier showed the best accuracy and F1 scores, followed by the LDA classifier.When applying the ReliefF feature selection algorithm, the SVM classifier performed best with a 5% dataset ratio.Moreover, the ANOVA feature selection algorithm yielded optimal results with the SVM classifier at dataset ratios of 3%, 4%, and 5%.Lastly, the Chi-square feature selection consistently produced the best results with both SVM and GNB classifiers for all dataset ratios.The study underscores the significance of feature selection for improving gene expression profile classification accuracy.The findings of this research offer promising insights into the analysis of microarray data, which can be instrumental in enhancing the accuracy of cancer classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».