基于K-S检验和mRMR的基因选择算法结合方法

简介：
本研究提出了一种结合Kolmogorov-Smirnov (K-S) 检验与最小冗余最大相关性(mRMR)的新型基因选择算法，有效提升生物信息学中基因筛选的准确性和效率。 为解决基因数据集中的基因选择难题，本段落提出了一种结合K-S检验与最小冗余最大相关（mRMR）原则的基因选择算法。该算法首先利用K-S检验筛选出具有显著区分能力的基因，并进一步通过mRMR准则保留那些与类别高度关联且彼此间相关性较低的基因，形成最终的有效子集。采用支持向量机（SVM）作为分类器，以F1_measure、分类准确率和AUC为评价指标对所选基因子集进行评估。实验结果表明，在五个经典数据集中，本算法不仅运行时间远低于mRMR方法，并且在各项性能指标上均优于RELIEF和FAST等传统算法。因此，结合K-S检验与mRMR的基因选择策略能够有效地识别出高质量的基因子集。