论文部分内容阅读
针对多类高维基因表达谱的特点，提出一种基于闭合模式的多类分类算法CBCP，即根据垂直格式的数据集采用路径枚举的方法挖掘闭合模式，极大地减少了冗余模式的产生。然后，对所有闭合模式进行排序，通过覆盖训练集建立分类器。针对分类器无法识别的样本提出权重算法进行判断，克服了使用Defult类预测不精确的问题。研究结果表明，CBCP与经典分类算法如CBA和C4．5相比具有更高的预测准确率，并且在基因数大幅增加而样本数不变的情况下仍具有较强的稳定性，证明CBCP的可扩展性强，适用于高维数据集的多类分类预测。