利用支持向量机进行基因表达分析

Question

我的问题是：

a)我得到了一个1000个基因在6个时间点的表达数据集。

b)某些基因(testing set)属于某一类，其特征是基因表达在这些时间点上的分布。

c)我还有一个这类已知基因的数据集(training set)。

d)另外，我想通过随机重组我的测试集来生成一个false数据集，并将其包含在我的支持向量机模型中。

我想我知道如何通过使用R和e1071包来实现(a)-(c)，但我不确定如何实现(d)。我应该只用计算出的模型测试我的false数据，然后比较这个数据集和test set上的结果吗？

我应该使用什么样的分布来进行比较？(paretro或者universal gamma提供了我计算的概率？)

Answer 1

我会考虑两种方法：

1. 按照您的建议，在支持向量机中运行您的false集(或者更确切地说，多个排列，即多个false集)作为您的附加测试集，并将得分与真实测试集进行比较。从本质上讲，您可能希望显示您的真实测试集比大多数错误集的性能要好得多。这将符合统计测试的精神，例如，在this paper中描述更复杂的数据。此外，this paper对于使用入库方法将支持向量机分数转换为校准的概率也很有用。
2. 使用false集的一个子集作为第二个训练集来构建一个两类支持向量机。然后，分类任务将是确定你的基因表达模式更可能属于哪个类别：“阳性”类别还是“假”类别。This paper，this thread和this thread，以及一般的支持向量机教科书，可能有助于决定如何最好地设计这种两类分类器。

希望能有所帮助。