极限学习机集成在肿瘤分类中的应用  

Tumor Classification Using Extreme Learning Machine Ensemble

作　　者：陆慧娟[1,2] 张金伟[2] 马小平[1] 郑文斌[2] 

机构地区：[1]中国矿业大学信息与电气工程学院,安徽徐州221008 [2]中国计量学院信息工程学院,浙江杭州310018

出　　处：《数学的实践与认识》2012年第17期148-154,共7页Mathematics in Practice and Theory

基　　金：国家自然科学基金与癌症相关重要基因调控途径的识别研究(60842009);浙江省自然科学基金面向肿瘤分类的优化敏感机器学习方法研究(Y1110342);浙江大学包氏中国留学金基金(2011年)

摘　　要：提出一种基于数据集分割的极限学习机集成算法——DS-E-ELM.该算法主要包含以下3个步骤:首先,将数据集分成互不相关的κ个子集,选择κ一1个子集组合成一个训练集,这样可以得到κ个不同的数据集;然后将新得到的κ个数据集利用极限学习机训练得到κ个分类器;最后对κ个分类器预测得到的结果通过多数投票的方法决定预测结果.通过对6个肿瘤数据集的实验证明,DS-E-ELM与单独的ELM、Bagging、Boosting等算法相比,具有更高的分类精度,且稳定性更好.In this paper, an Extreme learning machine ensemble method called DS-ELME, which is based on dataset splitting is presented. The DS-ELM-E method contains the following 3 steps, First, the training is divided dataset into k subsets, then k - 1 subsets are combined as a new training dataset, so we can get k different training dataset. Second, extreme leaning machine is used＇ to train the k different training dataset and to obtain k different classifiers. Third, the class label of the unknown data is predicted with the ensemble classifier through majority vote method. Experiments on six tumor datasets confirms that DS- E-ELM can obtain higher prediction accuracy compared with ELM, Bagging and Boosting, and more stable.

关 键 词：极限学习机 数据集分割 肿瘤分类 集成 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程] R730.4[自动化与计算机技术—控制科学与工程]