基因表达数据集的特征选择

Question

我正在搜索一种特征选择算法，该算法选择以下特征：

• 与区分样本组有关(为每个样本提供一组标签)
• 所有样本的差异都很大

这应该应用于基因表达数据集，在该数据集中，每个样本都有一个组标签，因此应该可以为每个组选择一组要检查的特征。

我现在有两位候选人：

• 基于随机森林分类器特征重要性结果的特征选择
• 使用最小冗余最大相关(mRMR)算法

然而，我不知道哪一个可能是最好的，或是否有更好的候选人为此目的。

如果该算法是用Python实现的

Answer 1

如果您能更多地描述您的数据集，这将是有帮助的。基因表达数据集往往具有很高的维数，而Lasso正则logistic回归是解决这一问题的一种常用方法。这篇论文再深入一点，也许能帮到你：http://bmcbioinformatics.biomedcentral.com/articles/10.1186/1471-2105-14-198

随机林通常可以提供有意义的重要性排序，但也取决于数据集的外观。

mRMR听起来像是专门为识别基因特征而设计的，所以一定要试一试。

也有主成分分析，这也是用于基因表达数据。

有很多选项，但您的问题还不够详细，不能更进一步，在这一点上提供代码作为解决方案是不现实的。Python的文档有很多很好的解释和例子。