Discovering Genomic Patterns Using Fuzzy Self Organizing Map
Teknologi barisan-mikro telah membolehkan pengumpulan beribu-ribu data genetik pada masa yang sama. Masalah yang dihadapi oleh data barisan-mikro adalah bilangan ciri yang banyak tetapi bilangan sampel yang sedikit. Pengerumunan menjadi pilihan yang praktikal dalam menganalisa data begini kerana...
Saved in:
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English |
| Published: |
2009
|
| Subjects: | |
| Online Access: | http://eprints.usm.my/41262/1/Chun_Ho_Yi_24.pdf http://eprints.usm.my/41262/ |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Teknologi barisan-mikro telah membolehkan pengumpulan beribu-ribu data genetik
pada masa yang sama. Masalah yang dihadapi oleh data barisan-mikro adalah
bilangan ciri yang banyak tetapi bilangan sampel yang sedikit. Pengerumunan
menjadi pilihan yang praktikal dalam menganalisa data begini kerana untuk
mengkaji setiap satu data adalah tak praktis. Walapun terdapat berbilang jenis
kaedah pengerumunan seperti “k-means” dan pengerumunan berpangkat, namun ini
tidak mencukupi apabila menglibatkan set data yang sangat besar. Peta menyusun
sendiri (SOM) adalah satu konsep yang diperkenalkan oleh Teuvo Kohonen yang
membolehkan pengerumunan yang tidak diawasi dan penggambaran data.
Penggambaran ini dilakukan dengan pemancaran data tersebut ke atas satu jaringan
peta 2-dimensi sambil mengekalkan hubungan antara unit peta yang mewakili data
tersebut. Lagipun, penggunaan satah komponen dalam SOM membolehkan analisis
setiap ciri dan perhubungan antara ciri. Secara keseluruhan, pengerumunan dan
penggambaran ini membolehkan analisis set data secara keseluruhan.
Microarray technology has allowed for the collection of thousands of genetic data
simultaneously. The problem with microarray data lies in the fact that while there
are thousands of attributes, the number of samples is few. Clustering becomes a
practical option in analysing such data as it is impractical to study every data
individually. Although there are numerous clustering methods such as k-means and
hierarchical clustering, it is insufficient when it comes to a massive scale dataset.
Self-organising maps (SOM) is a concept introduced by Teuvo Kohonen that
allowed for an unsupervised clustering and subsequent visualisation of data. This
visualisation is by means of projecting the data onto a 2-dimensional map grid while
retaining relations among map units that represent the data. Furthermore, the use of
component planes in SOM allows for the analysis of individual attributes and
correlation between attributes. |
|---|