The Use of BEXA Family Algorithms in Bioinformatics Data Classification

В данной статье исследуются возможности алгоритмов семейства Bexa для классификации реальных данных биоинформатики. Семейство Bexa состоит из трёх алгоритмов: Bexa - который работает с чёткими данными, а также FuzzyBexa и FuzzyBexa II, которые работают с нечёткими данными. FuzzyBexa отличается от FuzzyBexa II тем, что в последнем каждый класс не рассматривается индивидуально, но генерируются законы для всех классов. Алгоритмы семейства Bexa условно состоят из трёх частей: процедуры перекрытия, поиска лучшего закона, используя оценочную функцию, а также образования специализаций. Практические эксперименты проводились на шестнадцати реальных множествах данных, которые условно можно разделить на три части: часто используемые в литературе множества данных (Iris data set, Auto MPG и Ionosphere Data Set), реальные множества данных биоинформатики из репозитория данных UCI (Nursery Data Set, Breast cancer Wisconsin, Parkinsons, SPECT heart, Molecular biology (Splice-junction gene sequences), Yeast data set) и реальные множества данных биоинформатики, у которых большое количество атрибутов и маленькое количество записей (GSE3726 (Breast & colon cancer), GSE2535 (CML treatment), GSE2685 (Gastric cancer), GSE1577 (Lymphoma & Leukaemia), GSE2191 (AML prognosis), GSE89 (Bladder cancer) и GSE1987 (Lung cancer)). Чтобы сравнить результаты классификации алгоритмов семейства Bexa, были проведены дополнительные эксперименты на всех использованных множествах данных с другими алгоритмами: результат классификации Bexa для категорийных данных сравнён с алгоритмами JRIP, Part и PRISMA, а также для численных данных - с Jrip и Part. FuzzyBexa и FuzzyBexaII сравнены с алгоритмами FURIA, FLR и Slave C. По результатам классификации были сделаны выводы о влиянии отдельных критериев на полученный результат классификации. Исходя из полученных результатов классификации видно, что использование данного семейства алгоритмов в биоинформатике является перспективным, и необходимы дальнейшие исследования в контексте возможностей улучшить слабые стороны этих алгоритмов с целью повысить их точность классификации и качество полученных законов.