一种面向高维微阵列数据的集成特征选择算法

　　特征选择算法是微阵列数据分析的重要工具，特征选择算法的分类性能和稳定性对微阵列数据分析至关重要。为了提高特征选择算法的分类性能和稳定性，提出一种面向高维微阵列数据的集成特征选择算法来弥补单个基因子集信息量的不足，提高基因特征选择算法的分类性能和稳定性。该算法首先采用信噪比方法选择若干区分基因；然后对每个区分基因利用条件信息相关系数评估候选基因与区分基因的相关性，生成多个相关基因子集，最后，通过集成学习技术整合多个相似基因子集。实验结果表明，本文提出的集成特征选择算法的分类性能以及稳定性在多数情况下均优于只选择单个基因子集的方法。