Motivation: Microarrays are capable

Motivation: Microarrays are capable of determining the expression levels of thousands of genes simultaneously. In combination with classification methods, this technology can be useful to support clinical management decisions for individual patients, e.g. in oncology. The aim of this paper is to systematically benchmark the role of non-linear versus linear techniques and dimensionality reduction methods.

Results: A systematic benchmarking study is performed by comparing linear versions of standard classification and dimensionality reduction techniques with their non-linear versions based on non-linear kernel functions with a radial basis function (RBF) kernel. A total of 9 binary cancer classification problems, derived from 7 publicly available microarray datasets, and 20 randomizations of each problem are examined.

Conclusions: Three main conclusions can be formulated based on the performances on independent test sets. (1) When performing classification with least squares support vector machines (LS-SVMs) (without dimensionality reduction), RBF kernels can be used without risking too much overfitting. The results obtained with well-tuned RBF kernels are never worse and sometimes even statistically significantly better compared to results obtained with a linear kernel in terms of test set receiver operating characteristic and test set accuracy performances. (2) Even for classification with linear classifiers like LS-SVM with linear kernel, using regularization is very important. (3) When performing kernel principal component analysis (kernel PCA) before classification, using an RBF kernel for kernel PCA tends to result in overfitting, especially when using supervised feature selection. It has been observed that an optimal selection of a large number of features is often an indication for overfitting. Kernel PCA with linear kernel gives better results.

Availability: Matlab scripts are available on request

ผลลัพธ์ (ไทย) 1:

แรงจูงใจ: microarrays มีความสามารถในการกำหนดระดับการแสดงออกของยีนหลายพันพร้อมกัน ร่วมกับวิธีการจำแนกเทคโนโลยีนี้จะมีประโยชน์ในการสนับสนุนการตัดสินใจการจัดการทางคลินิกสำหรับผู้ป่วยแต่ละรายเช่น ในเนื้องอกจุดมุ่งหมายของการวิจัยนี้คือการมาตรฐานระบบบทบาทของการไม่เชิงเส้นเมื่อเทียบกับเทคนิคเชิงเส้นและวิธีการลดมิติ

ผล:การศึกษาเปรียบเทียบระบบจะดำเนินการโดยการเปรียบเทียบรุ่นเชิงเส้นของการจัดหมวดหมู่และการลดมิติเทคนิคมาตรฐานกับรุ่นที่ไม่ใช่เชิงเส้นของพวกเขาขึ้นอยู่กับการทำงานของเคอร์เนลไม่ใช่เชิงเส้นที่มีฟังก์ชั่นพื้นฐานรัศมี (RBF) เคอร์เนล รวม 9 ไบนารีปัญหาการจำแนกโรคมะเร็งที่ได้รับจาก 7 ชุด microarray สาธารณชนและ 20 randomizations ของปัญหาแต่ละมีการตรวจสอบ

สรุป: สามข้อสรุปหลักสามารถกำหนดขึ้นอยู่กับการแสดงในชุดทดสอบที่เป็นอิสระ (1) เมื่อดำเนินการจัดหมวดหมู่ที่มีสี่เหลี่ยมน้อยสนับสนุนเครื่องเวกเตอร์ (LS-SVMS) (โดยไม่มีการลดมิติ), เมล็ด RBF สามารถนำมาใช้โดยไม่ต้องเสี่ยง overfitting มากเกินไปผลลัพธ์ที่ได้ด้วยดีปรับเมล็ด RBF จะไม่เลวร้ายลงและบางครั้งก็มีนัยสำคัญทางสถิติที่ดีกว่าเมื่อเทียบกับผลที่ได้รับกับเคอร์เนลเชิงเส้นในแง่ของการรับชุดทดสอบลักษณะการดำเนินงานและการทดสอบความถูกต้องการแสดงชุด (2) ได้สำหรับการจำแนกแยกแยะด้วยเส้นตรงเช่น LS-SVM ด้วยเคอร์เนลเชิงเส้นโดยใช้ regularization เป็นสิ่งสำคัญมาก(3) เมื่อดำเนินการเคอร์เนลที่สำคัญการวิเคราะห์องค์ประกอบ (เคอร์เนล PCA) ก่อนที่จะจัดหมวดหมู่โดยใช้เมล็ด RBF สำหรับเคอร์เนล PCA มีแนวโน้มที่จะส่งผลในการ overfitting โดยเฉพาะอย่างยิ่งเมื่อใช้การเลือกคุณสมบัติภายใต้การดูแล จะได้รับการตั้งข้อสังเกตว่าการเลือกที่ดีที่สุดของจำนวนมากของคุณสมบัติที่มักจะเป็นข้อบ่งชี้ในการ overfitting PCA เคอร์เนลด้วยเคอร์เนลเชิงเส้นให้ผลลัพธ์ที่ดีกว่า

ความพร้อม:สคริปต์ MATLAB ให้บริการเมื่อร้องขอ

ผลลัพธ์ (ไทย) 2:

แรงจูงใจ: Microarrays จะสามารถกำหนดระดับนิพจน์ของยีนนับพันพร้อมกัน ร่วมกับวิธีการจัดประเภท เทคโนโลยีนี้สามารถใช้สนับสนุนการตัดสินใจจัดการทางคลินิกในผู้ป่วยแต่ละราย เช่นในมะเร็งวิทยา จุดประสงค์ของเอกสารนี้จะเป็นระบบเปรียบบทบาทไม่ใช่เชิงเส้นและเชิงเทคนิคและวิธีการลด dimensionality

ผลลัพธ์: การศึกษาในการแข่งขันระบบจะดำเนินการ โดยการเปรียบเทียบเชิงรุ่นมาตรฐานประเภทและ dimensionality ลดเทคนิคของรุ่นไม่ใช่เชิงเส้นตามฟังก์ชันเคอร์เนลที่ไม่ใช่เชิงเส้นกับ kernel เป็นฟังก์ชัน (RBF) พื้นฐานรัศมี จำนวน 9 ฐานมะเร็งประเภทปัญหา มา datasets microarray เผย 7 และ randomizations 20 ของแต่ละปัญหาจะตรวจสอบ

บทสรุป: บทสรุปหลักสามสามารถจะถูกกำหนดตามการแสดงในชุดทดสอบด้วยตนเองได้ (1) เมื่อการจัดประเภท ด้วยเครื่องเวกเตอร์สนับสนุนกำลังสองน้อยที่สุด (LS-SVMs) (ไม่ลด dimensionality), สามารถใช้เมล็ด RBF ไม่ซึ่ง overfitting มากเกินไป ผลได้รับ ด้วยดีจากเมล็ด RBF ไม่เคยแย่ และบางครั้งทางสถิติอย่างมีนัยสำคัญดีกว่าเทียบกับได้กับ kernel เชิงเส้นในตัวรับสัญญาณชุดทดสอบปฏิบัติลักษณะและทดสอบความถูกต้องการตั้งค่าแสดงผล คู่ (2) การจัดกับคำนามภาษาเชิงเส้นเช่น LS-SVM กับ kernel เชิงเส้น ใช้ regularization เป็นสิ่งสำคัญมาก (3) มีแนวเมื่อทำการเคอร์เนลส่วนประกอบหลักวิเคราะห์ (เคอร์เนล PCA) ก่อนที่จะจัดประเภท ใช้เคอร์เนล RBF มีเคอร์เนล PCA โน้มทั้ง overfitting แบบมีผู้โดยเฉพาะอย่างยิ่งเมื่อใช้สอนการเลือกลักษณะการทำงาน มันได้ถูกตรวจสอบหลากหลายคุณลักษณะจำนวนมากที่สุดเป็นตัวบ่งชี้สำหรับ overfitting มักว่า เคอร์เนล PCA กับ kernel แบบเส้นตรงให้ผลดี

มีอยู่: สคริปต์ Matlab มีขอ

ผลลัพธ์ (ไทย) 3:

แรงบันดาลใจ microarrays มีความสามารถในการกำหนดระดับการแสดงออกของผู้คนหลายพันคนของยีนได้พร้อมกัน ในการใช้งานร่วมกับวิธีใดวิธีหนึ่งการแบ่ง ประเภท เทคโนโลยีนี้จะเป็นประโยชน์ในการสนับสนุนการตัดสินใจการจัดการทางการแพทย์สำหรับผู้ป่วยแต่ละคนเช่นในมะเร็งวิทยาเป้าหมายของเอกสารนี้คือการอย่างเป็นระบบการวัด ประสิทธิภาพ บทบาทหน้าที่ของวิธีการลดสวนกันกับ"ความมีมิติเดียวและเทคนิคแบบ non - linear เมื่อเทียบกับแบบ linear

ผลลัพธ์การศึกษาเกี่ยวกับการวัด ประสิทธิภาพ อย่างเป็นระบบที่จะมีการดำเนินการโดยการเปรียบเทียบรุ่นตามแนวยาวของการแบ่ง ประเภท มาตรฐานและเทคนิคการลดสวนกันกับ"ความมีมิติเดียวกับรุ่นอื่นที่ไม่ใช่ตามแนวยาวของเคอร์เนลที่ใช้งาน non - linear พร้อมด้วยฟังก์ชันพื้นฐานรัศมี(:)เคอร์เนล ยอดรวมที่ 9 ปัญหาการแบ่ง ประเภท เป็นมะเร็งไบนารีที่ได้รับมาจาก 7 datasets microarray ให้บริการในที่สาธารณะและ 20 randomizations ของปัญหาแต่ละครั้งจะถูกตรวจสอบ บทสรุป

สามข้อสรุปหลักสามารถกำหนดขึ้นซึ่งใช้ในการแสดงที่อยู่บนชุดการทดสอบอิสระ. ( 1 )ในการจัด ประเภท พร้อมด้วยเครื่องเวกเตอร์การสนับสนุนช่องอย่างน้อย( LS - svms )(ไม่มีการลดสวนกันกับ"ความมีมิติเดียว):นำเมล็ดสามารถใช้งานได้ทันทีโดยไม่ต้องเสี่ยงกับ overfitting มากเกินไปผลที่ได้รับเป็นอย่างดีพร้อมด้วยได้รับ:นำเมล็ดจะไม่เลวร้ายและบางครั้งก็ทางสถิติดีขึ้นอย่างเห็นได้ชัดเมื่อเทียบกับผลที่ได้รับพร้อมด้วยแนวเส้นตรงเคอร์เนลอยู่ในเงื่อนไขของการทดสอบการตั้งค่าอุปกรณ์รับสัญญาณและมีลักษณะเป็นการทดสอบและตั้งค่าความละเอียดการแสดง. ( 2 )ได้สำหรับการแบ่ง ประเภท ด้วย classifiers ตามแนวยาวเหมือนกับเครื่องสแกน Symbol LS - SVM - พร้อมด้วยเคอร์เนลตามแนวยาวโดยใช้เปลี่ยน สถานภาพ เป็นเรื่องที่สำคัญเป็นอย่างมาก( 3 )เมื่อทำการวิเคราะห์เคอร์เนลคอมโพเนนต์หลัก(( R ) PCA Cellular เคอร์เนล)ก่อนการแบ่ง ประเภท การใช้เคอร์เนล:สำหรับเคอร์เนล( R ) PCA Cellular มีแนวโน้มที่จะส่งผลให้ใน overfitting โดยเฉพาะอย่างยิ่งเมื่อใช้การเลือกคุณสมบัติการตรวจสอบ มีการตั้งข้อสังเกตว่าการเลือกได้ดีที่สุดของหมายเลขขนาดใหญ่ที่โดดเด่นของมักเป็นการแสดงสำหรับ overfitting เคอร์เนล( R ) PCA Cellular กับเคอร์เนลตามแนวยาวทำให้ผลลัพธ์ที่ดีขึ้น

ความพร้อมใช้งานสคริปต์ matlab จัดให้บริการเมื่อมีการร้องขอ
ตามมาตรฐาน