選用了目前主流的分類器（比如 SVM，KNN）以及篩選特征值的方法（貪婪算法）篩選并建立穩定的模型，幫助客戶篩選到靈敏度與特異性高的 maker。
分子建模預測
采用模式識別與數據挖掘技術有效進行模型的構建，將部分數據拿來做訓練集預測模型，然后部分數據作為測試數據集（獨立樣本）來驗證模型的準確性。目的在于利用實驗數據來篩選出一批靶標基因，并以此構建模型。小樣本數據的建模在于篩選并評判 maker 的穩定性，便于后期實驗驗證；大樣本數據的建模用于進行早期診斷、疾病預測。采用方法分為：線性分類器以及非線性分類器，并利用了 Leave-one-out cross-validation（LOOCV）以及 cross-validated misclassification error rate 的篩選策略找到優選 MARKER。
1、小樣本建模：樣本數在 20 以上；
2、大樣本建模：樣本數在 100 以上；
3、數據類型：表達，甲基化，CNV，SNP 均可。
1、圖片格式：ROC 曲線圖，TIFF 格式；
2、文本文件：樣本的分類情況，靈敏度與特異性，maker 的權重（線性分類器結果）。
-END-
