anticancer-preditor实现

数据预处理

1. data_standardization.py, 对药物-细胞系数据进行0-1标准化处理，将样本进行分类(1-sensitive,0-resistant)
2. feature_selection_DataPreprocess.py, 对基因表达数据进行预处理，选择指定药物样本所包含的细胞系，得到训练数据,供特征选择使用。 

1. Combat.R 批次效应消除

2. feature_selection_svm-rfe.py 使用循环特征消除作特征选择

使用svm-rfe进行特征选择，由于基因表达数据数据维度大(>10000)，因此该算法非常耗时。

3. feature_selection_MRMR.py 使用MRMR作特征选择

使用MRMR算法进行特征选择。

4. feature_selection_final.py 综合的特征选择算法

综合前两种特征选择算法，并加入模拟退火的思想进行改进。

5. svm-predictor.py 构建svm分类器

使用svm分类器进行分类预测。

6. svm-pso-predictor.py 构建基于粒子群算法优化的svm分类器

使用粒子群算法优化svm的两个参数(C,gamma)

7. Exp_开头的程序为实验程序，画图

Exp_drug_sensitive_normalize.py	-----	药物敏感性数据标准化
Exp_feature_selection_comparision.py	------	特征选择对比
Exp_feature_selection_feature_number.py	------	特征选择数量选择
Exp_svm-pso_comparision.py	-------	TPSO-GA与PSO实验对比
Exp_svm_comparision.py	-------	svm与WA-SVM实验对比
Exp_combat_image.py	-------	批次效应处理前后实验对比