杨浩宇，南晓斐，柴玉梅

(郑州大学 信息工程学院，河南 郑州 450001)

0 引 言

基因表达数据分类问题[1]的研究目前已取得一些成果。Das等[2]使用支持向量机(support vector machine，SVM)对基因表达数据进行分类，通过实验对比了不同核函数下的分类准确率并取得了良好的分类效果。然而，当样本类别很大时，SVM计算复杂度高，且其核函数与参数设置缺乏理论指导[3]；文献[4]提出了极限学习机的相异性集成算法，在基因表达数据分类上表现良好，但极限学习机的隐层节点个数需要先验知识并手工设置这些参数，节点个数不同对分类精度也会产生影响；文献[5]采用7个基因表达数据集将随机森林算法(random forests，RF)与很多传统的机器学习分类算法(如k近邻分类器、SVM以及线性判别分析等)进行比较，得出RF算法分类性能优于其它分类算法的结论。

RF算法在基因表达数据分类方面已经有了不错的性能，但是RF算法中的决策树只能产生平行于坐标轴的超巨形决策面[6]。在基因表达数据中构建决策树，通常会使得决策树庞大，对数据敏感，且分类效果也不好，因此RF算法在基因表达数据分类方面还有性能提升空间。本文受Zhang等[7]提出的集成特征空间的随机森林算法启发，将局部保持映射(locality preserving projections，LPP)与RF算法中决策树每个节点的属性空间相结合，提出基于LPP的RF算法。该算法通过LPP将决策树节点数据映射到新的属性空间中，在该属性空间中选择第一个属性就可使数据得到较好的划分结果。在9个基因表达数据集上的实验对比结果表明，本文提出的算法在分类准确率上比传统RF算法高出17%，运行时间比传统RF算法缩短了7倍，其它性能指标如Recall、Precision、G-mean等指标均有提高。……