SVMs在微阵列表达数据分析中的应用

微阵列技术允许同时录制成百万的基因表达水平。但由于经费和工艺的限制,目前研究者获得的表达数据集往往包含少量的样本,而基因表达的测量值却有上万条。很多传统的统计方法无法分析这样的数据,本文结合数据挖掘中统计学习理论的相关知识,详细介绍了一种有监督分析方法———支持向量机(SVMs)在微阵列表达数据分析中的应用。     

基于熵的决策树理论及其在中医证型研究中的应用

本文使用基于熵的决策树理论对中医证型数据进行了研究,指出此方法对自变量和应变量都是定性指标的资料,能够得到自变量对鉴别诊断的重要性,且建立的决策树的判别效果较理想。     

肝癌术后无瘤生存期的人工神经网络预测

本文采用BP人工神经网络方法 ,构建预测肝癌患者生存期的网络模型 ,预测肝癌患者术后无瘤生存时间。该网络的回代贡献率为 83.94 % ,预测值与实际值的相关系数为 0 .916 2 ,误差均方为 0 .1347;网络对于检验集的贡献率为 71.11% ,预测值与实际值的相关系数为 0 .84 33,误差均方为 0 .16 0 8,生存期的预测值和实际值间比较 ,经配对t检验 ,t为 0 .3977,p为 0 .6 916。故认为BP神经网络预测肝癌患者的生存期效果较好 ,可进一步推广应用     

Cox模型与BP神经网络在处理非线性数据时的性能比较

本文采用BP神经网络、Cox模型和bootstrap方法,比较BP神经网络与Cox模型在处理非线性资料时的性能。两种方法的预测一致性的均数分别为0.7525和0.7706。对于非线性资料,BP神经网络的预测效果优于Cox模型。