1.一种特征基因选择及癌症分类方法，其特征在于，至少包括以下步骤：根据超参数组和待处理基因数据集建立logistic回归模型；

根据极大似然估算以及对算运算，将所述logistic回归模型表达为损失函数；

建立SCAD-Net的求解模型；

结合所述损失函数和所述SCAD-Net的求解模型，得到SNL模型；

计算所述SCAD-Net的迭代更新算子；

根据所述迭代更新算子，通过坐标梯度下降法计算所述SNL模型的基因回归系数；

根据所述基因回归系数，进行特征基因的选择和癌症的分类。

2.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述根据超参数组和基因数据集建立logistic模型之前，还包括步骤：获取基因数据及基因调控网络，根据所述基因调控网将所述基因数据进行生物网络处理，得到待处理基因数据集。

3.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述根据超参数组和所述待处理基因数据集建立logistic回归模型，具体为：根据交叉验证方法进行选择所述超参数组，所述logistic回归模型表达式为：其中，β＝(β1,…,βp)为基因回归系数。

4.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述根据极大似然估算以及对算运算，将所述logistic模型表达为损失函数，具体为：其中，l(·)称为损失函数，用于度量模型拟合值与观测值的误差。

5.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述建立SCAD-Net的求解模型，其中所述SCAD-Net的求解模型的表达式为：其中，

设基因i和基因k在生物调控网络中有连接，则wik＝1或为0到1的实数，相反若无连接则wik＝0；di和dk为基因i和基因k在生物调控网络中的度(入度+出度)；λ1和λ2分别为调整模型稀疏度和模型平滑度的超参数。α为大于2.7的常数。

6.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述结合所述损失函数和所述SCAD-Net的求解模型，得到SNL模型，具体为：所述SNL模型的表达式为：

其中，l(β)为所述logistic回归损失函数， 为SCAD-Net惩罚体。

7.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述计算所述SCAD-Net的迭代更新算子，具体为：建立线性稀疏SCAD-Net模型，表达式为：通过对(4)进行求βj的一阶偏导数并使其为0，我们可得：其中， 是 的第j分量， 为普通最小二乘估计的解。而其中，

综合(6)和(7)可得关于 的迭代更新算子：其中，sign(·)为符号函数， 表示当 时取否则取0。

8.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述根据所述迭代更新算子，通过坐标梯度下降法计算所述SNL模型的基因回归系数，具体为：通过泰勒公式对SNL模型进行线性化处理，得到线性化的目标函数；根据坐标梯度下降法求解所述线性化的目标函数，得到所述SNL模型的基因回归系数。

9.如权利要求1所述的特征基因选择及癌症分类方法，其特征在于，所述根据所述基因回归系数，进行基因的选择和癌症的分类，具体为：根据所述基因回归系数，建立所述待处理基因数据集的预测模型，根据所述预测模型，进行特征基因的选择和癌症的分类。