Reducción de la dimensionalidad mediante métodos de selección de características en microarrays de ADN

Abstract

El trabajo de fin de grado se centra en la maldición de la dimensionalidad que podemos encontrar en ciertos conjuntos de datos, en concreto, en aquellos conjuntos de datos donde el número de características que se disponen superan los cientos o miles en cada una de las muestras. Buscamos una mejora en la clasificación realizando un tratamiento previo al conjunto de datos, la selección de características. La aplicación de métodos de selección de características a los conjuntos de datos pretende reducir la dimensionalidad, con la intención de encontrar un subconjunto de características que sea capaz de describir el problema de manera apropiada. Para ello, utilizaremos un conjunto de datos que es un referente en los estudios de microarrays de ADN , al que le aplicaremos cuatro métodos de selección de características, para luego comprobar los resultados ante tres métodos de aprendizaje computacional. Nos centraremos en dos métodos de filtro (f-score y mRMR), un método wrapper (SFS_forward) y, especialmente, en un método híbrido, que es una adaptación del trabajo . Podremos observar las distintas ventajas e inconvenientes que ofrece cada uno de los métodos de selección de características y las variaciones que nos encontramos en los resultados en función del método de aprendizaje computacional elegido para la clasificación.

This document deals with the curse of dimensionality that we can find in datasets, to be specific, in those datasets where the number of features are counted as hundreds or thousands in each sample. We are looking for an improvement in the classification of our dataset through feature selection methods. The application of feature selection methods to datasets aims to reduce their dimensionality, with the intention of finding a feature subset that explains the problem in the appropriate way. With that in mind, we will use one benchmark dataset in the DNA microarrays studies, we will apply four feature selection methods so that we can verify the results with three different machine learning algorithms. We will use two filter methods (f-score and mRMR), one wrapper (SFS_forward) and, specially, a hybrid method, an adaptation of the work . We can observe the different advantages and issues offered by each of the feature selection methods and the different results that we obtain based on the machine learning method used for the classification task.

El treball de fi de grau se centra en la maledicció de la dimensionalitat que podem trobar en certs conjunts de dades, en concret, en aquells conjunts de dades on el nombre de característiques que es disposen superen els centenars o milers en cadascuna de les mostres. Busquem una millora en la classificació realitzant un tractament previ al conjunt de dades, la selecció de característiques. L'aplicació de mètodes de selecció de característiques als conjunts de dades pretén reduir la dimensionalitat, amb la intenció de trobar un subconjunt de característiques que sigui capaç de descriure el problema de manera apropiada. Per a això, utilitzarem un conjunt de dades que és un referent en els estudis de bioxips d'ADN , al qual li aplicarem quatre mètodes de selecció de característiques, per a després comprovar els resultats davant tres mètodes d'aprenentatge computacional. Ens centrarem en dos mètodes de filtre (f-score i mRMR), un mètode wrapper (SFS_forward) i, especialment, en un mètode híbrid, que és una adaptació del treball . Podrem observar els diferents avantatges i inconvenients que ofereix cadascun dels mètodes de selecció de característiques i les variacions que ens trobem en els resultats en funció del mètode d'aprenentatge computacional triat per a la classificació.