ML：《Data-driven advice for applying machine learning to bioinformatics problems应用机器学习到生物信息学问题的》翻译与解读

ML：《Data-driven advice for applying machine learning to bioinformatics problems应用机器学习到生物信息学问题的数据驱动建议》翻译与解读

导读：本文通过比较13种流行的机器学习算法在165个公开分类数据集上的表现，旨在为生oinformatics领域的研究人员提供选择ML算法和调优参数的经验性推荐。

>> 背景痛点：生信领域研究人员在选择ML算法时会感到很难决定，需要一些经验性指导。

>> 解决方案：本研究对13种ML算法(如GBT、RF、SVM等)在165个生信分类数据集上的表现进行了全面测试和参数调优，获取每个算法在每个数据集上的最佳表现，并进行比较分析。

>> 核心结果：结果显示树式boosting算法如GBT表现最佳，而朴素贝叶斯算法表现不佳。参数调优可显著提升各算法效果。算法之间在不同数据集上效果存在差异。

>> 推荐方案：给出5种算法和参数设置，可覆盖16