Cancer classification from microarr

Cancer classification from microarray gene expression
data is a challenging task in computational biology
and bioinformatics as the sufficient number of labeled samples
(required to train the traditional classifiers) are very expensive
and difficult to collect. Therefore, the predication accuracies of the
classifiers trained with limited training samples are often very low.
Although, the unlabeled samples are relatively inexpensive and
readily available, traditional classifiers not generally utilize the
distribution of those unlabeled samples. In this context, this article
presents a novel ‘self-training’ based semi-supervised classification
method using fuzzy K-Nearest Neighbour algorithm which
utilizes the unlabeled samples along with the labeled samples
to improve the prediction accuracy of the cancer classification.
The proposed method is evaluated with a number of microarray
gene expression cancer data sets. Experimental results justify
the potentiality of the proposed semi-supervised method for
cancer classification using microarray gene expression data in
comparison to its other supervised counterparts.

ผลลัพธ์ (ไทย) 1:

ประเภทมะเร็งจากยีน microarrayข้อมูลเป็นงานที่ท้าทายในชีววิทยาเชิงคำนวณbioinformatics เป็นจำนวนตัวอย่างป้ายเพียงพอและ(ต้องฝึกคำนามภาษาโบราณ) มีราคาแพงมากและยากที่จะรวบรวม ดังนั้น accuracies predication ของคำนามภาษาฝึกอบรมพร้อมตัวอย่างการฝึกอบรมจำกัดมักมากแม้ว่า อย่างไม่แพง และคำนามภาษาโบราณ พร้อมใช้ไม่ทั่วไปการกระจายของตัวอย่างที่ไม่ ในบริบทนี้ บทความนี้นำเสนอนวนิยาย 'ฝึกอบรมด้วยตนเอง' ตามกึ่งมีการจัดประเภทวิธีการใช้อัลกอริทึมเอิบ K-Nearest เพื่อนบ้านซึ่งใช้ตัวอย่างเพียงพร้อมตัวอย่างป้ายปรับปรุงความแม่นยำทำนายของการแบ่งประเภทของโรคมะเร็งวิธีการนำเสนอจะถูกประเมิน ด้วยจำนวน microarrayยีนนิพจน์มะเร็งชุดข้อมูล ผลการทดลองจัดศักยภาพของวิธีกึ่งมีการนำเสนอสำหรับใช้ข้อมูลนิพจน์ยีน microarray ในประเภทโรคมะเร็งเปรียบเทียบกับของคู่อื่น ๆ มี

ผลลัพธ์ (ไทย) 2:

การจำแนกโรคมะเร็งจากการแสดงออกของยีน microarray
ข้อมูลเป็นงานที่ท้าทายในชีววิทยา
และชีวสารสนเทศเป็นจำนวนที่เพียงพอของกลุ่มตัวอย่างที่มีข้อความ
(จำเป็นในการฝึกอบรมแยกแยะดั้งเดิม) มีราคาแพงมาก
และยากที่จะเก็บ ดังนั้นความถูกต้องทำนายของ
ลักษณนามผ่านการฝึกอบรมกับตัวอย่างการฝึกอบรม จำกัด มักจะต่ำมาก.
แม้ว่าตัวอย่างที่ไม่มีป้ายกำกับที่มีราคาไม่แพงนักและ
พร้อมใช้ลักษณนามแบบดั้งเดิมโดยทั่วไปไม่ได้ใช้ประโยชน์จาก
การกระจายตัวของกลุ่มตัวอย่างที่ไม่มีป้ายกำกับเหล่านั้น ในบริบทนี้บทความนี้
นำเสนอนวนิยาย 'ตัวเองฝึกอบรมตามการจัดหมวดหมู่กึ่งภายใต้การดูแล
วิธีการใช้อัลกอริทึม K-เพื่อนบ้านที่ใกล้ที่สุดเลือนซึ่ง
ใช้กลุ่มตัวอย่างที่ไม่มีป้ายกำกับพร้อมกับตัวอย่างที่มีข้อความ
ที่จะปรับปรุงความถูกต้องคาดการณ์ของการจำแนกโรคมะเร็ง.
วิธีที่นำเสนอ ได้รับการประเมินที่มีจำนวนของ microarray
ยีนชุดข้อมูลโรคมะเร็งการแสดงออก ผลการทดลองแสดงให้เห็นถึง
ศักยภาพของวิธีกึ่งภายใต้การดูแลที่นำเสนอสำหรับ
การจำแนกโรคมะเร็งโดยใช้ข้อมูลการแสดงออกของยีน microarray ใน
การเปรียบเทียบกับคู่อื่น ๆ ภายใต้การดูแลของ

ผลลัพธ์ (ไทย) 3:

มะเร็งจากการแสดงออกของยีนแบบ microarray หมวดหมู่

เป็นงานที่ท้าทายในคอมพิวเตอร์และชีววิทยารสนเป็นจำนวนเพียงพอของข้อความตัวอย่าง
( ต้องฝึกคำดั้งเดิม ) มีราคาแพงมาก
และยากที่จะเก็บ ดังนั้น ความถูกต้องของคำทั่วไป
ฝึกตัวอย่างการฝึกอบรม จำกัด มักจะต่ำมาก
ถึงแม้ตัวอย่างที่ใกล้เคียงกันจะค่อนข้างไม่แพง และ
พร้อมคำแบบดั้งเดิมโดยทั่วไปไม่ได้ใช้
จำหน่ายที่ใกล้เคียงอย่าง ในบริบทนี้ บทความนี้นำเสนอนวนิยาย ' เอง

' ตามการฝึกการสอนโดยใช้ฟัซซี่กึ่งซึ่งใช้ขั้นตอนวิธีการเพื่อนบ้านละ
ใกล้เคียงตัวอย่างพร้อมกับข้อความตัวอย่าง
เพื่อปรับปรุงความถูกต้องของการพยากรณ์โรคมะเร็งหมวดหมู่ .
เสนอวิธีการประเมิน ด้วยหมายเลขของ microarray
ชุดข้อมูลการแสดงออกของยีนมะเร็ง ผลการทดลองปรับ
ศักยภาพของการนำเสนอแบบกึ่งวิธีการ
หมวดหมู่มะเร็งโดยใช้ microarray ข้อมูลการแสดงออกของยีนในการเปรียบเทียบกับอื่น ๆภายใต้การดูแลของ
counterparts