基于Stacking集成和偏探索贝叶斯优化的特征选择

摘要

针对高维基因数据集的最优特征子集不易确定，以及传统的贝叶斯优化算法容易陷入局部最优，导致无法快速筛选出最优参数等问题，本文提出了一种基于Stacking集成和偏探索贝叶斯优化的基因选择方法。首先，使用卡方过滤法剔除原始特征空间中的冗余基因，获得相关性较高的基因，通过贝叶斯优化算法的采集函数进行改进，引入跳出系数，使得贝叶斯优化算法能够自适应地跳出局部最优，降低开销并加快寻优的效率；然后，使用偏探索贝叶斯优化寻找随机森林的最优参数，使用优化后随机森林模型筛选最优基因子集；最后，设计了一种Stacking集成模型框架来构建分类器，并对最优基因子集进行分类，进而构建了基于Stacking集成和偏探索贝叶斯优化的基因选择算法。在9个公开的基因表达谱数据集上进行仿真实验，结果表明所提算法可以快速筛选出最优的基因子集，且具有较高的分类精度。

关键词

基因选择 / Stacking算法 / 贝叶斯优化算法 / 随机森林模型