[发明专利]一种基于融合不同模式标志物的分类模型构建算法

权利要求书

1.一种基于融合不同模式标志物的分类模型构建算法，其特征在于，包括如下步骤：

步骤一：筛选具有强判别能力的单特征

A根据第一评价准则计算每一个单特征的第一得分△，并基于第一得分△对所有的单特征进行降序排序，第一评价准则计算方式如下：

p_i(c_l)＝prob(f_iS_i|y_t＝c_l) (1)

△_i＝|p_i(c₁)-p_i(c₂)| (2)

公式(1)中S_i表示特征f_i在所有样本上的均值，p_i(c_l)表示在c_l类样本中事件f_iS_i的概率；△_i值越大，表明特征f_i区分能力越强；

B根据第二评价准则计算每一个单特征的第二得分τ；当一些单特征具有相同的第一得分时，利用第二得分τ对其进行进一步的区分，第二评价准则计算方式如下：

τ_i＝|γ_i(c₁)-γ_i(c₂)| (4)

公式(3)中γ_i(c_l)表示特征f_i在c_l类样本中表达值的平均含量，公式(4)中τ_i能够反映特征f_i的表达值在两类样本中波动情况；τ_i值越大，表明特征f_i区分能力越强；

步骤二：筛选具有强判别能力的比值特征

A根据第一评价准则计算每一个比值特征的第一得分△，并基于第一得分△对所有的比值特征进行降序排序，第一评价准则计算方式如下：

p_ij(c_l)＝prob(r_ijS_ij|y_t＝c_l) (5)

△_ij＝|p_ij(c₁)-p_ij(c₂)| (6)

公式(5)中S_ij表示特征r_ij在所有样本上的均值，p_ij(c_l)表示在c_l类样本中事件r_ijS_ij的概率；△_ij值越大，表明特征r_ij区分能力越强；

B根据第二评价准则计算每一个比值特征的第二得分τ；当一些比值特征具有相同的第一得分时，利用第二得分τ对其进行进一步的区分，第二评价准则计算方式如下：

τ_ij＝|γ_ij(c₁)-γ_ij(c₂)| (8)

公式(7)中γ_ij(c_l)表示比值特征r_ij在c_l类样本中表达值的平均含量，公式(8)中τ_ij能够反映比值特征r_ij的表达值在两类样本中波动情况；τ_ij值越大，表明特征r_ij区分能力越强；

步骤三：由于使用相同的评价准则来衡量单特征和比值特征的得分，因此可以直接比较单特征和比值特征的判别能力，筛选k个具有强判别能力的单特征或比值特征构成疾病的潜在性标志物；

步骤四：基于每一个所选的单特征或比值特征，构建一个基分类器，分类原理如下：

(i)基于单特征f_i所构建的基分类器

A当p_i(c₁)p_i(c₂)时，如果在未知样本x^u中f_iuS_i，则预测x^u的类标为c₁，否则为c₂；

B当p_i(c₁)≤p_i(c₂)时，如果在未知样本x^u中f_iu≥S_i，则预测x^u的类标为c₁，否则为c₂；

(ii)基于比值特征r_ij所构建的基分类器

A当p_ij(c₁)p_ij(c₂)时，如果在未知样本x^u中f_iu/f_juS_ij，则预测x^u的类标为c₁，否则为c₂；

B当p_ij(c₁)≤p_ij(c₂)时，如果在未知样本x^u中f_iu/f_ju≥S_ij，则预测x^u的类标为c₁，否则为c₂；

步骤五：融合k个基分类器的分类结果，采用多数投票的方式预测未知样本x^u的类标。