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