انتخاب ویژگی مبتنی بر تئوری اطلاعات برای انتخاب ژن های موثر در تشخیص نوع سرطان با استفاده از داده های ریزآرایه

انتخاب ویژگی یکی از فرایندهای پیش پردازش داده ها در مباحث مربوط به یادگیری ماشین و داده کاوی به شمار می رود که در برخی زمینه ها مانند کار با داده های ریزآرایه در بیوانفورماتیک که با مشکل ابعاد بالای داده ها در مقابل تعداد کم نمونه ها مواجه است، از اهمیت ویژه ای برخوردار می باشد. انتخاب ویژگی های (ژن های) موثر در تشخیص بیماری از داده های ریزآرایه نقش مهمی در تشخیص زودهنگام بیماری و راه های مواجهه با آن ایفا می کند. در روش های انتخاب ویژگی مبتنی بر تئوری اطلاعات که طیف گسترده ای از روش های انتخاب ویژگی را شامل می شوند، از مفهوم بی نظمی برای تعریف معیارهای مرتبط بودن، افزونگی و مکمل بودن ویژگی ها استفاده می شود. در این مقاله به جای بی نظمی از مفهوم پیوستگی خالص برای پیشنهاد یک معیار جدید مرتبط بودن استفاده شده است. در این معیار پیشنهادی، برای کنترل و کاهش افزونگی، ارتباط یک ویژگی با تک تک کلاس ها به طور جداگانه بررسی شده است در حالی که در اکثر روش های فیلتر، ارزش یک ویژگی بر اساس ارتباط آن با کل کلاس ها سنجیده می شود. این راه کار باعث شده که ویژگی های موثر در هر کلاس به تفکیک شناسایی شوند، در حالی که امکان شناسایی ویژگی های مشترک نیز وجود دارد. یکی دیگر از مشکل های موجود در برخی از روش ها، مساله ی گسسته سازی داده ها  است. در روش پیشنهادی این مقاله، با استفاده از یک تبدیل مبتنی بر یک ریختی، ضمن استفاده از مزایای گسسته سازی، از درگیر شدن با پیچیدگی های آن نیز اجتناب شده است. برای مقایسه ی روش پیشنهادی با تعدادی از روش های مرتبط، از هفت مجموعه ی داده ی ریزآرایه مربوط به انواع سرطان به همراه سه دسته بند پرکاربرد بیزین ساده، k-نزدیک ترین همسایه و ماشین بردار پشتیبان استفاده شده است. نتایج تجربی نشان دهنده ی کارایی روش ارائه شده بر اساس دو پارامتر دقت دسته بندی و تعداد ژن های انتخابی می باشد.

کلیدواژه ها:

انتخاب ویژگی ، ژن های موثر ، تشخیص سرطان ، داده های ریزآرایه ، یادگیری ماشین ، دسته بندی