![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
多标签
ShenggengLin
这个作者很懒,什么都没留下…
展开
-
底物的分子描述符计算及 CYP450 酶-底物选择性技术研究
本篇推文引自:基于网络的标签空间划分方法预测 CYP450 酶-底物选择性1. 分子描述符计算 本文计算了四种类型的底物分子描述符并把他们当成 4 类特征表示用于机器学习建模,这 4 类特征包括:物化(Physiochemical, PC)特征描述符,mol2vec (M2V)描述符,扩展连接指纹(ECFP)和 Molecular ACCess System(MACCS) 密匙指纹。 在计算物化性质描述符时,通过使用一个经 Python 开源的化学信息包 RDKit(http://www.原创 2020-12-09 14:41:44 · 2519 阅读 · 0 评论 -
多标签分类算法的研究进展
1. 机器学习中的分类问题 在机器学习方向的相关研究中,分类问题可以被分为二分类问题、多分类问题及多标签分类问题。二分类问题即二元分类问题,其中某个样本只有“属于”或 “不属于”这一类两种情况;也可以称之为“0/1”分类,属于这一类即为“1”, 不属于即为“0”。 多分类问题也可称为多类别分类问题,即一个样本属于且仅属于多个类(一般多于两类)中的一个,其中一个样本只能属于一个类,不同类之间是互斥的。二分类问题及多分类问题可以统称为单标签分类问题。 多标签分类问题又称多标记学习,不同于原创 2020-12-09 14:40:36 · 2542 阅读 · 0 评论 -
DTI-CDF:一种基于混合特征预测药物靶点相互作用的级联深层森林模型
1. 摘要 药物靶标相互作用(DTIs)在靶向药物的发现和开发中起着至关重要的作用。DTIs的计算预测可以有效地补充湿实验室技术对DTIs的识别。然而,现有的DTI预测方法存在精度低、假阳性率高的问题。本文提出了一种基于级联深度森林模型的预测方法,命名为DTI-CDF。在实验中,本文在三种不同的数据集实验设置下构建了5个重复的10倍交叉验证。实验结果表明,本文提出的DTI-CDF方法比传统的基于集成学习的方法如随机森林和XGBoost、深度神经网络以及最新的DDR方法取得了显著的性能提升。此外,有1原创 2020-10-07 20:50:00 · 7418 阅读 · 3 评论 -
MLCDForest:用深度森林对长链非编码RNA进行疾病预测的多标签分类模型
1. 摘要 由于长链非编码RNA (lncRNAs)与多种人类疾病相关,近年来倍受关注。利用lncRNAs数据建立基于人工智能的疾病预测模型,这将有助于疾病的诊断和治疗。本研究提出了一种名为MLCDForest(Multi-Label classification with deep Forest)的深度学习模型,用于解决对给定lncRNA进行疾病预测时的多标签分类问题,可以看作是深度森林模型在多标签分类中的一种实现。MLCDForest是一种顺序的多标签粒度扫描方法,该模型考虑了标签间的相关性,与原创 2020-10-07 20:47:53 · 5465 阅读 · 0 评论 -
带有社区检测算法的多标签学习方法预测药物靶点相互作用(DTI-MLCD)
1. 摘要 确定药物-靶标相互作用(DTIs)是药物发现和药物重新定位的重要步骤。为了大大降低实验成本,蓬勃发展的机器学习被应用到这个领域,并发展了许多计算方法,特别是二分类方法。然而,目前的方法在性能上还有很大的改进空间。多标签学习可以减少二分类学习所面临的困难,并且具有很高的预测性能,目前还没有得到广泛的探索。它面临的关键挑战是指数大小的输出空间。本篇文章引入DTIs预测的社区检测方法DTI-MLCD来促进多标签分类。此外本文更新了2008年提出并至今仍在使用的黄金标准数据集。本文提出的DTI-原创 2020-10-07 20:45:05 · 7088 阅读 · 1 评论