انتخاب ژن و طبقه بندي داده هاي ريزآرايه با استفاده از آناليزهاي همبستگي، الگوريتم بهينه سازي ازدحام درات باينري و شبكه عصبي احتمالاتي

داده هاي ريز آرايه در تشخيص و طبقه بندي انواع بافت هاي سرطاني نقش به سزايي دارند. تعداد نسبتا كم نمونه ها و ابعاد بالاي ويژگي ها در ريز آرايه باعث ايجاد مشكلاتي در طراحي طبقه بندها شده است. بنابراين داده هاي ريزآرايه قبل از طبقه بندي از طريق تكنيك هاي انتخاب ژن پيش پردازش و ژن هاي فاقد اطلاعات آن ها دور ريخته مي شود. به طور كلي دو مدل انتخاب ويژگي (ژن) وجود دارد: مدل filter و مدل wrapper. مدل filter ژن هايي را به عنوان ژن هاي موثر انتخاب مي كند كه داراي توانايي تفكيك كنندگي بالايي باشند. اين مدل مستقل طبقه بندي يا لگوريتم يادگيري است. مدل wrapper در حين فرايند جستجوي ژن هاي موثر از طبقه بند استفاده مي كند. به عبارتي wrapper از الگوريتم يادگيري براي تست زير مجموعه ژن انتخاب شده است. دقت مدل wrapper نسبت به مدل filter بيشتر است. هدف اين مقاله استفاده از روش هاي filter و wrapper براي استخراج ژن هاي موثر و مقايسه دقت طبقه بندي آنهاست. در مدل filter براي سنجش توانايي تفكيك كنندگي ژن ها از آناليز همبستگي پيرسون و اسپرمن، ضريب كسينوس و فاصله اقليدسي و مدل wrapper از الگوريتم بهينه سازي ازدحام ذرات باينري جهت انتخاب ژن ها موثر استفاده شده است. در هر دو مدل از طبقه بند شبكه عصبي احتمالاتي استفاده شده است. نتايج پياده سازي نشان مي دهد كه دقت طبقه بندي ژن هاي استخراج شده از روش wrapper برابر 91.47% است