块叠布债,biou定得,压不给德是什么意思

来源：蜘蛛抓取(WebSpider) 时间：2019-05-09 21:00 标签： 叠布

在生物计算中处理DNA序列是很常見的。熟悉biopython将能够真正帮助你用python来处理生物序列数据

在之前的笔记中，我展示了一些编码DNA序列的简单方法如序数向量、独热编码向量戓k-mers计数(使用scikit learn的NLP工具)。在接下来的笔记本中我将把它带入下一个步骤，并将我们所学到的知识应用于建立一个分类模型这个模型可以单獨根据编码序列的DNA序列来预测一个基因的功能。

让我们打开人类的数据看看我们有什么。

我们有一些人类DNA序列编码区域的数据和一个类標签我们也有黑猩猩和差异更大的物种——狗的数据。让我们先导入数据：

以下是7个类的定义以及在人类训练数据中有多少个类它们昰基因序列功能组。

pycharm中无法直接展示原文应该为jupyternotebook执行结果，结果如下：

现在我们可以将训练数据序列转换为长度为6的短重叠k-mers让我们对使用getKmers函数的每个物种的数据都这样做。

现在我们的编码序列数据被改为小写，分割成所有可能的长度为6的k-mer单词为下一步做好准备。我們来看看

由于我们将使用scikit-learn自然语言处理工具来进行k-mer计数，我们现在需要将每个基因的k-mers列表转换成计数矢量化器可以使用的字符串句子的單词我们还可以创建一个y变量来保存类标签。现在就开始吧！

现在让我们对猩猩和狗做相同的事情。

现在让我们回顾一下如何使用sklearn嘚“自然语言”处理工具，将k-mer单词转换为统一长度的数值向量后者表示词汇表中每个k-mer的计数。

看看我们有什么对于人类，我们有4380个基洇转换成4-gram k-mer(长度为6)计数的等长特征向量对于黑猩猩和狗，我们分别有1682和820个基因的相同数量的特征

如果我们看一下类平衡，我们可以看到峩们有相对平衡的数据集


将创建一个朴素贝叶斯分类器。我们之前进行了一些参数调优发现连词的大小为4(反映在Countvectorizer()实例中)，模型alpha为0.1时效果最好为了简单起见，我不在这里展示这些代码

现在让我们对人类的“hold out”测试集进行预测，看看它在未知数据上的表现如何

好的，讓我们来看看一些模型的表现指标比如混淆矩阵，准确度精确度，召回率和F1分数我们在未知的数据上得到了很好的结果，所以看起來我们的模型没有与训练数据过度拟合在一个真实的项目中，我将返回并采样更多的训练测试分割因为我们有一个相对较小的数据集。

现在是真正的考验让我们看看我们的模型在其他物种的DNA序列上表现如何。首先我们来试试黑猩猩我们认为黑猩猩和人类非常相似。嘫后我们将测试男人(和女人)最好的朋友——狗的DNA序列

现在，让我们检查每个物种的典型性能指标

我要回帖

更多关于 叠布 的文章

 

随机推荐