核多元基因选择和极限学习机在微阵列分析中的应用

针对微阵列数据样本量少、维度高的特点,结合当前数据降维方法中没有考虑特征与特征之间相关性的缺点,提出一种核最小二乘的特征基因选择方法.将解释变量空间通过非线性映射转换到高维空间上,再在高维空间上进行最小二乘回归,并采用极限学习机进行训练和预测.结果表明:对三种经典数据集的分类精度分别达到90.47％,88.89％,88.23％,高于传统的机器学习算法,充分表明本方法的优越性.