从因子分析的角度出发解决基因表达谱分析问题。为解决独立成分分析方法在求解过程中的不稳定性，提出一种基于选择性独立成分分析的DNA微阵列数据集成分类器。首先对基因表达水平的重构误差进行分析，选择部分重构误差较小的独立成分进行样本重构，然后基于重构后的样本同时训练多个支持向量机基分类器，最后选择部分分类正确率较高的基分类器进行最大投票以得到最终结果。在3个常用测试集上验证了本文设计方法的有效性。-This paper tries to deal with gene expression proble

用adaboost算法生成基支持向量机分类器，并对识别结果进行简单投票法集成。附有支持向量机工具箱和adaboost算法流程说明。-Adaboost algorithm to generate the base with a support vector machine classifier, and the recognition result is a simple voting method integration. With support vector machine algorith

ID3决策树+随机森林算法生成决策森林，采用投票机制进行决策；有训练数据aaa和测试数据bbb；非常适合机器学习的初学者-The ID3 the+ random forest algorithm to generate decision forests voting mechanism for decision-making training data the the aaa and test data bbb ideal for machine learning beginners

采用多个超限学习机（ELM）投票机制来提升算法准确率。-Voting based Extreme Learning Machine