嵌入误分类代价和拒识代价的极限学习机基因表达数据分类  

Gene expression data classification of the extreme learning machine w ith misclassification cost and rejection cost

作　　者：安春霖[1] 陆慧娟[1,2] 郑恩辉[3] 王明怡[1] 陆羿 

机构地区：[1]中国计量学院信息工程学院,浙江杭州310018 [2]中国矿业大学信息与电气工程学院,江苏徐州221008 [3]中国计量学院机电工程学院,浙江杭州310018 [4]美国德克萨斯农工大学计算机系,德克萨斯州77446

出　　处：《山东大学学报（工学版）》2013年第4期18-25,共8页Journal of Shandong University（Engineering Science）

基　　金：国家自然科学基金资助项目(61272315;60842009;60905034);浙江省自然科学基金资助项目(NO.Y1110342;NO.Y1080950)

摘　　要：为了实现代价敏感分类过程中的最小平均误分类代价的目的,本研究通过在分类过程中引入概率估计以及误分类代价重新构造分类结果,提出了基于极限学习机(extreme learning machine,ELM)的代价敏感算法CS-ELM并在上述算法基础上,引入"拒识代价",进一步减小了平均误分类代价。算法被运用到基因表达数据集上并与极限学习机、代价敏感决策树、代价敏感BP神经网络和代价敏感支持向量机做对比,可以得出,嵌入拒识的CSELM算法能够更好地降低误分类代价,使分类结果更加可靠。To get the minimum misclassification of cost-sensitive classification, the algorithm of cost-sensitive extreme learning machine （CS-ELM） was proposed by using probability estimation and misclassification cost to reconstruct the classification results. Then the ＂rejection cost＂ was put into the above algorithm to further reduce the average misclassi- fication cost. This algorithm was applied on the gene expression datasets and compared with extreme learning machine, cost-sensitive decision tree, cost-sensitive BP neural networks and cost-sensitive support vector machine. The experi- ments demonstrated that the CS-ELM embedded rejection cost could reduce the average misclassification cost better and could make the classification result more reliable.

关 键 词：极限学习机 代价敏感 误分类代价 拒识代价 多数投票 基因表达数据 

分 类 号：TP181[自动化与计算机技术—控制理论与控制工程]