선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이것은 각 상관관계 척도마다 정보력 있는 유전자 데이터를 판단하는 기준이 다르기 때문이다. 그러므로 다수의 상관관계 척도로부터 informative하다고 평가된 유전자 데이터를 선택하기 위해, 각 상관관계 척도에 따라 계산된 값으로 이루어진 배열을 서로 적절하게 조합하도록 한다. 조합 방법을 모색하기 위해 사용할 수 있는 정보는 각 척도에 의해 계산된 유전자 각각의 Gdeal에 대한 상관관계 수치와 이를 기반으로 하는 상관관계 서열 번호 (ranking)이다.
- 본 논문에서는 세 가지 종류의 벤치마크 데이터 집합에 대해 다양한 유전자 선택 방법을 적용하여 에 따른 분류 성능을 비교 평가하고, 기존의 선택 방법을 조합(combination) 함으로써 분류 성능을 향상시킬 수 있음을 보이고자 한다.
가설 설정
- 주로 통계적 상관관계 척도나 클러스터링 기법 등을 이용하여 해당 클래스와 상대적으로 상관관계가 높은 유전자들을 선택한다. Microarray로부터 얻는 데이터 집합이 샘플 M개와 유전자 N개로 이루어져 있다고 하고, M개의 샘플은 클래스 A와 클래스 B 두 가지 종류로 구분된다고 가정한다. 처음의 K(OeKMM)개의 샘플을 암 세포의 샘플이라고 가정하고, 나머지 M-K개의 샘플을 정상 세포 혹은 처음의 K개의 샘플과는 다른 종류의 암 세포의 샘플이라고 가정하면, 각 유전자 데이터는 수식 (1)과 같은 형태의 벡터로 표현할 수 있다.
- Microarray로부터 얻는 데이터 집합이 샘플 M개와 유전자 N개로 이루어져 있다고 하고, M개의 샘플은 클래스 A와 클래스 B 두 가지 종류로 구분된다고 가정한다. 처음의 K(OeKMM)개의 샘플을 암 세포의 샘플이라고 가정하고, 나머지 M-K개의 샘플을 정상 세포 혹은 처음의 K개의 샘플과는 다른 종류의 암 세포의 샘플이라고 가정하면, 각 유전자 데이터는 수식 (1)과 같은 형태의 벡터로 표현할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.