基于PTPR排名的基因随机选择算法

解瑞飞 韩 斌 厉力华 祝 磊

(杭州电子科技大学生命信息与仪器工程学院，杭州 310018)

引言

高维、小样本数据是生物医学信息处理中经常遇到的数据类型，如何剔除其冗余特征、提高数据质量，成为研究识别和分类问题的关键[1-2]。

近年来，Draminski等结合随机搜索策略[3]和决策树[4]，提出 Monte Carlo(MC)特征选择算法[5]。它是一种随机搜索的特征选择算法，降低了结果陷入局部最优的风险，对高维数据具有较强的适应性。同时，最终变量排名综合考虑了分类率及变量的重要性，与经典方法相比，克服了缠绕法(如SVMRFE)依赖分类器的缺点，以及单纯依靠分类率所引起的弊 端[6-7];与 过滤法 ( 如 T-test[8])相 比，MC不需要样本呈正态分布的假设，比T-test更加适合真实的基因微阵列数据;和 SVMRFE[9]相比，MC可以更加快速高效地提取出高维数据中的显著变量。

虽然MC方法比传统方法有更多的优点，但是其在搜索过程中没有规划，在不同的迭代间相互独立并且不相关，没有合理利用历史成绩和当前排名，搜索效率低，结果稳定性差。本研究在MC算法基础上，提出基于职业网球选手排名(professional tennis player ranking，PTPR)的基因随机选择算法。实际上，选手排名和基因选择面临相似的问题，例如，注册的职业选手有几十万人，其中参与PTPR官方网站排名的就有近1500人，但每年认可的赛事大约70场，因此从特征选择角度来看是典型的“维灾”问题，目的是通过大量选手(基因)随机参加赛事(基因比较)来对选手进行排名。此外，两者还有许多类似的地方，见图1。更重要的……