机器学习从蛋白序列预测蛋白分类（二）
半路出家学机器学习，先在自己熟悉的领域尝试，每天进步一点点，记录自己成长过程（正式开始前的小叨叨）
接（[机器学习从蛋白序列预测蛋白分类（一）]）继续分析
三，特征提取
其实在（机器学习从蛋白序列预测蛋白分类（一）中已经做过一次特征筛选，即从两个原始文件中提取出sequence和classification信息并整合至一个文件，这里特征提取主要针对蛋白序列。为何要对蛋白序列进行二次特征提取呢？是因为蛋白序列中包含了大量信息，比如20种必需氨基酸的组成顺序、每种氨基酸其实还携带着氨基酸残基大小、电性等信息。蛋白序列可以看成是以文本存储，所以处理方式类似于文本处理。
1，对数据data分训练集和测试集
采用常用的8：2分法， random_state = 1表示随机分配
X=data['sequence']
Y=data['classification']
X_train,X_test,Y_train,Y_test=train_test_split(X,Y,test_size = 0.2, random_state = 1)
2，设置特征提取方法，这里借鉴NLP中词袋模型（用CountVectorizer()函数）,这里用char_wb取词方式（只在句子内部分割，一个序列看作一个句子），ngram_range=(4,4)表示以4个氨基酸长度作为扫描窗口，产生词袋组合
vect=CountVectorizer(analyzer='char_wb',ngram_range=(4,4))
3，用上述特征提取方式对训练集进行提取：
vect.fit(X_train)
X_train_df=vect.transform(X_train)
X_test_df=vect.transform(X_test)
print(X_test_df)
输出，括号内第一个数字表示首个序列（从0开始编号），第二个数字表示该词在词袋模型中的索引，括号外的1表示索引为2969的词在首个序列中出现1次：
(0, 2969) 1(0, 5775) 1...(55773, 173528) 1(55773, 173553) 1
看一下CountVectorizer从蛋白序列提取出哪些基本单元
print(vect.get_feature_names()[-20:])
输出（倒数20个）：
['zhhh', 'ziar', 'zigi', 'ziwz', 'zkal', 'zkky', 'zknt', 'zkyh', 'zlik', 'zlzk', 'zpvm', 'zrgd', 'zrvi', 'ztvl', 'ztzk', 'zvbd', 'zvib', 'zvka', 'zwdl', 'zzvb']
四，模型构建
用上述提取好的特征训练模型，并计算准确度打分
选择朴素贝叶斯模型Naive Bayes
from sklearn.naive_bayes import MultinomialNB
model=MultinomialNB()
model.fit(X_train_df,Y_train)
NB_pred=model.predict(X_test_df)
accuracy_score=accuracy_score(Y_test, NB_pred)
print(accuracy_score)
输出：
0.7638863986803887
五，模型评估
1，混淆矩阵
由于这个项目的label有多个，属于多分类的混淆矩阵，分类标准以types中存储的为准
#confusion matrix
conf_mat=confusion_matrix(Y_test,NB_pred,label=types)
print(conf_mat)
输出：
[[7215 262 55 ... 2 13 11][ 230 5563 69 ... 5 9 20][ 240 166 5464 ... 1 2 13]...[ 0 1 0 ... 203 0 0][ 8 10 0 ... 0 165 1][ 6 5 6 ... 0 1 174]]
print(conf_mat.sum(axis=1)) #按行计算总和，用于归一化处理
[9274 7262 6895 3204 2324 2228 1652 1703 1641 1351 1284 1312 963 991953 884 859 710 690 622 686 601 614 607 589 583 526 541509 396 326 293 309 308 250 251 269 237 224 224 209 209211]
np.newaxis 表示加一个维度，加在行上还是列上，取决于np.newaxis在行的位置还是在列的位置，比如下面的例子就是加在列上具体用法（有实例，讲述清晰）
print(conf_mat_sum[:, np.newaxis])
输出：
[[9274][7262][6895][3204][2324]...[ 224][ 224][ 209][ 209][ 211]]
归一化处理，以概率形式方便作图，并不影响混淆矩阵结果
conf_mat_Nor = conf_mat.astype('float') / conf_mat.sum(axis=1)[:, np.newaxis]
print(conf_mat_Nor)
输出,这里除法运算规则是[7215 262 55 … 2 13 11]中每一个元素除以9274，以下以此类推：
[[7.77981454e-01 2.82510244e-02 5.93055855e-03 ... 2.15656675e-041.40176838e-03 1.18611171e-03][3.16717158e-02 7.66042413e-01 9.50151473e-03 ... 6.88515560e-041.23932801e-03 2.75406224e-03][3.48078318e-02 2.40754170e-02 7.92458303e-01 ... 1.45032632e-042.90065265e-04 1.88542422e-03]...[0.00000000e+00 4.78468900e-03 0.00000000e+00 ... 9.71291866e-010.00000000e+00 0.00000000e+00][3.82775120e-02 4.78468900e-02 0.00000000e+00 ... 0.00000000e+007.89473684e-01 4.78468900e-03][2.84360190e-02 2.36966825e-02 2.84360190e-02 ... 0.00000000e+004.73933649e-03 8.24644550e-01]]
来个直观点的，绘制热图看一下
plt.figure(figsize=(13,8))
sns.heatmap(conf_mat)
plt.show()
出图：
上图可见，索引为3和38的两个出现了错判
2，F1打分（F1-score是精确度（precision）和召回率（recall）的平衡）
在二分类问题中，recall也成为sensitivity，precision也成为specificity。
sklearn中F1_score位于metrics.classification_report模块中
from sklearn.metrics import classification_report
print(classification_report(Y_test,NB_pred,target_names=types))
输出：
precision recall f1-score supportHYDROLASE 0.45 0.74 0.56 250TRANSFERASE 0.60 0.82 0.70 211OXIDOREDUCTASE 0.75 0.77 0.76 589...OSYNTHETIC PROTEIN 0.87 0.86 0.86 1351avg / total 0.79 0.76 0.77 55774
最后唠叨一下最近的学习心得，也算是给自己的提醒：刚学的东西一定要自己敲代码实现，这是最直观的感触；另一点就是，代码实现之后短期内要整体再复盘一下，理解更上一个层面。
机器学习从蛋白序列预测蛋白分类（二）相关推荐
- 通过氨基酸频率特征量来预测蛋白热稳定性——随机森林算法
一.随机森林算法原理 随机森林算法生成过程: 1.从原始数据集中每次随机有放回抽样选取与原始数据集相同数量的样本数据,构造数据子集: 2.每个数据子集从所有待选择的特征中随机选取一定数量的最优特征作为 ...
- 《预训练周刊》第6期：GAN人脸预训练模型、通过深度生成模型进行蛋白序列设计
No.06 智源社区 预训练组 预 训 练 研究 观点 资源 活动 关于周刊 超大规模预训练模型是当前人工智能领域研究的热点,为了帮助研究与工程人员了解这一领域的进展和资讯,智源社区整理了第6期< ...
- Science公布2020十大科学突破，AI预测蛋白结构等上榜 | AI日报
2020 ACM杰出科学家名单出炉:智源学者叶杰平.崔鹏等26位华人学者上榜 近日,ACM(国际计算机协会)公布了2020年度ACM杰出科学家(Distinguished Member)名单! 今年全 ...
- 生物工程学蛋白功能预测_海水中生长的工程细菌产生丝蛋白
生物工程学蛋白功能预测 Can this genetically-modified microbe help the fashion industry go green? 这种转基因微生物可以帮助时尚 ...
- 利用Transformer替代MSA从蛋白序列中学习Contact Map
点击上方"CVer",选择加"星标"置顶 重磅干货,第一时间送达 本文转载自:GoDesign --背景-- 基于深度学习的蛋白结构预测在近年来取得了不少突破, ...
- CNCI的使用--RNA蛋白编码预测软件
(生信)RNA蛋白编码预测软件-CNCI的使用 CNCI简介: CNCI是由中科院研发的一款基于SVM(支持向量机)的LncRNA预测软件,它可以不依赖于已知的RNA注释信息来进行预测,同时其对不完全 ...
- 【机器学习】隐马尔可夫模型及其三个基本问题（四）状态序列预测算法及python实现
[机器学习]隐马尔可夫模型及其三个基本问题(四)状态序列预测算法及python实现 一.维特比算法 二.python实现 参考资料 隐马尔可夫模型状态序列预测问题是指给定模型 λ=[A,B,∏]\la ...
- 机器学习（五）logistic回归进行二分类以及多分类（Python代码）
文章目录 一.相关概念 1.logistic回归 1.1前言 1.2目的 1.3流程 1.4Sigmoid函数 1.4.1公式 1.4.2图像 1.5优缺点 2.最优化方法 2.1梯度上升算法 2.1 ...
- 机器学习（五）之评价指标：二分类指标、多分类指标、混淆矩阵、不确定性、ROC曲线、AUC、回归指标
文章目录 0 本文简介 1 二分类指标 1.1 二分类时的错误类型 1.2 不平衡的数据 1.3 混淆矩阵 1.4 考虑不确定性 1.5 准确率-召回率曲线 1.6 ROC与AUC 2 多分类指标 3 ...
最新文章
- Android移动开发之【Android实战项目】实现每天定时提醒的功能
- Educational Codeforces Round 37 (Rated for Div. 2)
- 使用Idea创建SpringCloud父子工程
- Java中float和double精度
- 谷歌离开游览器不触发_谷歌游览器
- MS SQL Server存储过程的优点有哪些呢?
- 知道cve编号怎么搜poc_想在海南买房不知道该怎么选？快来看看这些热搜楼盘吧！...
- 数据分析和数据挖掘相关模块
- 3. tensorflow2实现两总体样本尺度、位置、分布检验问题 ——python实战
- 虚拟机 Ubuntu安装gcc和g++
- siteservercms 缺点_SiteServer CMS 术语大全
- 大白菜方式制作win10 PE启动U盘
- java分页计算_java分页算法
- Mac屏幕显示怎么缩小放大？Mac屏幕缩放教程
- idea项目中使用URule 规则引擎的简单例子
- 学生信息管理系统——错误集锦（五）
- ESXI6.7安装补丁
- HTML5 基本格式
- 上升了百分之几怎么算_增长百分比怎么算
- Eclipse集成Mybatis Generator及应用