[发明专利]一种基于聚类和随机森林算法的基因分类方法及系统

权利要求书

1.一种基于聚类和随机森林算法的基因分类方法，其特征在于，该基因分类方法包括以下步骤：

1)获取基因样本数据，利用聚类算法对获取的基因样本数据进行聚类，得到聚类中心；所述基因样本数据为基因表达谱数据集；

2)将得到的聚类中心补充到基因样本数据中，形成数据集，并在数据集中抽取至少两个训练集，每个训练集生成一个子树，在随机森林模型每棵子树生成过程中选取基因数据中F_t个描述属性，找出信息增益率最大的描述属性作为分类属性，分裂每个节点直到所有叶节点中的样本都属于同一类，生成决策树，由生成的各决策树组成决策树集；

3)利用决策树集中每棵决策树对待分类的基因数据进行预测，将预测结果的众数作为该基因数据的分类。

2.根据权利要求1所述的基于聚类和随机森林算法的基因分类方法，其特征在于，所述步骤1)中的聚类算法采用K-means++算法，在K-means++算法进行聚类过程中，采用Rsim函数来衡量样本间的相似度，Rsim函数表达式为：

其中d为基因样本数据的样本维度，和分别表示两个d维向量，x_i和y_i分别为向量和的i维属性值，min(x_i,y_i)代表x_i和y_i中绝对值较小的一个。

3.根据权利要求1所述的基于聚类和随机森林算法的基因分类方法，其特征在于，所述步骤1)中的聚类算法采用K-means++算法，在K-means++算法进行聚类过程中，在Rsim的基础上定义Sim函数来衡量样本间的相似度，Sim函数表达式为：

其中d为基因样本数据的样本维度，和分别表示两个d维向量，x_i和y_i分别为向量和的i维属性值，min(x_i,y_i)代表x_i和y_i中绝对值较小的一个，为向量和的余弦系数。

4.根据权利要求2或3所述的基于聚类和随机森林算法的基因分类方法，其特征在于，所述步骤2)中在进行随机森林模型训练时所选取的描述属性个数F_t是随机的，其表达式为：

设训练集样本的描述属性数为L，rand(a₁,b₁)为区间(a₁,b₁)内的一个随机数，参数k_p的取值区间为

5.根据权利要求1所述的基于聚类和随机森林算法的基因分类方法，其特征在于，所述步骤1)在对基因样本数据聚类前，需要对基因样本数据进行降维处理。

6.根据权利要求5所述的基于聚类和随机森林算法的基因分类方法，其特征在于，所述步骤1)采用Fisher Score算法对基因样本数据进行降维处理。

7.根据权利要求1所述的基于聚类和随机森林算法的基因分类方法，其特征在于，所述步骤2)中在利用训练集对随机森林模型进行训练前，还需对训练集中样本数较少的一类样本进行过采样。

8.根据权利要求1所述的基于聚类和随机森林算法的基因分类方法，其特征在于，随机森林采用C4.5算法生成子树，并在C4.5算法中，引入二元化的基于熵的分割算法，该算法的划分指标是信息增益最大原则。