1、癌癥是對人類生命構成嚴重威脅的主要疾病之一，而癌癥的早診斷是提高癌癥患者成活率的關鍵。隨著DNA微列陣技術的飛速發(fā)展，海量的癌癥基因表達數(shù)據(jù)得以積累。在分子生物學的基礎上，如何根據(jù)這些龐大的基因表達數(shù)據(jù)進行癌癥的早期診斷已成為后基因組時代的研究熱點，但是癌癥基因表達數(shù)據(jù)一般都具有高維數(shù)、樣本數(shù)量少、非線性等特征，這就給基因數(shù)據(jù)的分類帶來了很多困難。
　　針對以上基因表達數(shù)據(jù)的普遍特征，本文運用一種基于支持向量機的分類方法對癌癥數(shù)據(jù)

2、樣本進行分類。SVM是在統(tǒng)計學理論的基礎上發(fā)展起來的新一代機器學習方法，它采用結構風險化原則，代替了經驗最小化原則，成功應用核函數(shù)將非線性問題轉化為線性問題，在解決有限樣本、非線性及高維模式識別問題中表現(xiàn)出了許多特有的優(yōu)勢。
　　盡管SVM有效的解決了欠學習和過學習的問題，但是基因表達數(shù)據(jù)樣本數(shù)少、維數(shù)高的特性對數(shù)據(jù)分類準確度的影響難以避免。如果直接對原始數(shù)據(jù)進行分類，工作量大且得不到比較滿意的結果。因此，數(shù)據(jù)降維就成為癌癥基因數(shù)

3、據(jù)分類的關鍵性問題。本文首先運用數(shù)據(jù)降維方法，對原始基因表達數(shù)據(jù)進行降維，得到較低維度的數(shù)據(jù)之后，再對其進行SVM分類。通過多種降維方法的比較以及SVM參數(shù)的合理設置，可以取得較高的癌癥診斷精度。文章中使用的數(shù)據(jù)降維方法有稀疏主成分分析，廣義判別分析和拉普拉斯特征值映射法等。
　　本文的研究重點是如何利用降維方法優(yōu)化數(shù)據(jù)，通過選擇兩組網(wǎng)絡公開的數(shù)據(jù)集進行相關實驗，可得對于Prostate Tumor數(shù)據(jù)，GDA的降維效果最佳，而對