ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Graph BasedFeature Selection Using Symmetrical Uncertainty in Microarray Dataset

سال انتشار: 1398
کد COI مقاله: JR_JIST-7-1_006
زبان مقاله: انگلیسیمشاهده این مقاله: 191
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 16 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Graph BasedFeature Selection Using Symmetrical Uncertainty in Microarray Dataset

Soodeh Bakhshandeh - Department of Computer Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
Reza Azmi - Department of Computer Engineering, Alzahra University, Tehran, Iran
Mohammad Teshnehlab - Department of Control Engineering, K. N. Toosi University. Tehran, Iran

چکیده مقاله:

Microarray data using small samples and thousands of genes provides a difficult challenge for researchers. Utilizing gene selection helps to select the most relevant genes from original dataset with the purpose of dimensionality reduction of microarray data as well as increasing the prediction performance. In this paper, a new gene selection method based on community detection technique and ranking the best genes, is proposed. In order to select the best genes, Symmetric Uncertainty calculates the similarity between two genes, and between gene and its class label. In the first phase, this leads to representation of search space in form of graph. In the second phase, the proposed graph is divided into several clusters, using community detection algorithm. Finally, after ranking the genes, the ones with maximum ranks are selected as the best genes. This approach is a supervised/unsupervised filter-based gene selection method, which not only minimizes the redundancy between genes, but also maximizes the relevance of genes and their class labels. Performance of the proposed method is compared with twelve well-known unsupervised/supervised gene selection approaches over twelve microarray datasets using four classifiers including SVM, DT, NB and k-NN. The results illustrate the advantages of the proposed approach.

کلیدواژه ها:

Gene selection; Microarray data; Filter method; Graph-based clustering; Feature Selection

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_JIST-7-1_006 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/993172/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Bakhshandeh, Soodeh and Azmi, Reza and Teshnehlab, Mohammad,1398,Graph BasedFeature Selection Using Symmetrical Uncertainty in Microarray Dataset,,,,,https://civilica.com/doc/993172

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398, Bakhshandeh, Soodeh؛ Reza Azmi and Mohammad Teshnehlab)
برای بار دوم به بعد: (1398, Bakhshandeh؛ Azmi and Teshnehlab)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: 30,754
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی