1. 问题背景
生物学研究中,用检测DNA序列来判断检测对象的物种越来越成为一种简便、快捷的手段。
现在的测量技术已经能够很方便地测量出物种的DNA序列,将其进行分类可以运用机器学习的方法。
本文将探讨如何基于DNA序列的数据集设计一个性能良好的多类的分类器。
2. 数据集简介
数据集中有共20000条基于序列,一共来自10个物种。其中一条基因是一个72个碱基的序列,如下所示:
AGGGGGCTGGCCCGTGACGAGCGGACCATCGTCGGCACCCCCGAGACGATCGCCGACCACATCCAGGAGTGG
在分类器的设计过程中,可以将数据集分割成训练集和测试集。
如采用5-fold交叉验证时,将数据集均分成5份,每次取其中一份作为测试集,其余四份作为训练集,将五次的准确率取平均作为分类器的准确率。
3. 数据处理和特征提取
基因序列这样的原始数据不能直接用于计算,因此我们将对数据进修处理得到特征。
设K=5,则特征是长度为5的基因片段,总共有4^5个。
AAAAA, AAAAT, AAAAG, AAAAC,
AAATA …
ATCGA…TTTTT…GGGGG…CCCCC
每个特征即基因片段的值是基因序列中该基因片段出现的次数。