基于AUC的支持向量机分类方法及应用研究

支持向量机(SVM)已经成为药物构效关系数据分析的一种常用统计方法，但其存在变量子集选择问题，且大量的冗余变量还可能影响SVM模型的预测精度，因此需要借助变量筛选来实现降维﹒本文提出了一种新的基于受试者工作特征曲线下面积(AUC)的支持向量机分类方法(AUC-SVM)﹒首先，计算出变量的AUC值；其次，利用AUC值和前向选择算法选择最具信息量的变量子集，并剔除数据中无关和冗余的变量；最后，以AUC作为提取变量重要性的标准，通过真实的药物构效关系数据集来评估AUC-SVM性能，并与传统SVM方法相比较﹒实证结果表明，AUC-SVM算法能明显提高分类预测性能﹒