[发明专利]用于在包含分子遗传标志物的植物和动物数据集中挖掘关联规则，继而利用由这些关联规则创建的特征进行分类或预测的机器学习方法的应用

权利要求书

1.一种挖掘包含由至少一种基于植物的分子遗传标志物创建的至少一种特征的数据集以发现至少一种关联规则，并利用由这些关联规则创建的一种或多种特征来对一种或多种目标特征进行分类或预测的方法。

2.根据权利要求1所述的方法，其中所述关联规则包括利用自组织映射确定的空间和时间的关联规则。

3.根据权利要求1所述的方法，其中所述数据集选自下组：环境数据、表型数据、DNA序列数据、微阵列数据、生化数据、代谢数据或它们的组合。

4.根据权利要求1所述的方法，其中将由一种或多种关联规则挖掘算法确定的所述一种或多种关联规则用于使用一种或多种机器学习算法的分类或预测，所述机器学习算法选自下组：特征评估算法、特征子集选择算法、贝叶斯网络、基于实例的算法、支持向量机、投票算法、代价敏感分类器、叠加算法、分类规则和决策树。

5.根据权利要求4所述的方法，其中所述一种或多种关联规则挖掘算法选自下组：APriori算法、FP-growth算法、可以处理大量特征的关联规则挖掘算法、巨模式挖掘算法、直接判别模式挖掘算法、决策树、粗糙集。

6.根据权利要求4所述的方法，其中所述关联规则挖掘算法是自组织映射(SOM)算法。

7.根据权利要求5所述的方法，其中所述可以处理大量特征的关联规则挖掘算法包括但不限于：CLOSET+、CHARM、CARPENTER和COBBLER。

8.根据权利要求5所述的方法，其中所述可以发现直接判别模式的算法包括但不限于：DDPM、HARMONY、RCBT、CAR以及PATCLASS。

9.根据权利要求5所述的方法，其中所述可以发现巨模式的算法包括但不限于：模式融合算法。

10.根据权利要求4所述的方法，其中所述特征评估算法选自下组：信息增益算法、Relief算法、ReliefF算法、RReliefF算法、对称不确定性算法、增益率算法和评级算法。

11.根据权利要求4所述的方法，其中所述特征子集选择算法选自下组：与其它任何机器学习算法联合的包装算法和基于关联性的特征选择(CFS)算法。

12.根据权利要求4所述的方法，其中所述机器学习算法是包括朴素贝叶斯算法的贝叶斯网络算法。

13.根据权利要求4所述的方法，其中所述基于实例的算法选自下组：基于实例1(IB 1)算法、基于实例k-近邻(IBK)算法、KStar算法、惰式贝叶斯规则(LBR)算法、以及局部加权学习(LWL)算法。

14.根据权利要求4所述的方法，其中所述机器学习算法是支持向量机算法。

15.根据权利要求14所述的方法，其中所述支持向量机算法是支持向量回归(SVR)算法。

16.根据权利要求14所述的方法，其中所述支持向量机算法使用序列最小优化方法(SMO)算法。

17.根据权利要求14所述的方法，其中所述支持向量机算法使用回归型序列最小优化(SMOReg)算法。

18.根据权利要求4所述的方法，其中所述决策树选自下组：逻辑模型树(LMT)算法、交互式决策树(ADTree)算法、M5P算法和REPTree算法。

19.根据权利要求1所述的方法，其中所述一种或多种目标特征选自由连续的目标特征和离散的目标特征构成的组。

20.根据权利要求1所述的方法，其中所述离散的目标特征是二元目标特征。

21.根据权利要求1所述的方法，其中所述至少一种基于植物的分子遗传标志物来自于植物种群。

22.根据权利要求21所述的方法，其中所述植物种群是结构化的或未结构化的植物种群。

23.根据权利要求21所述的方法，其中所述植物种群包括近交植物。

24.根据权利要求21所述的方法，其中所述植物种群包括杂交植物。