文章目录

Graphlan可视化进化树
- GraPhlAn简介
- - 素颜vs美化
- 认识软件参数
- - 分支控制，一般不做控制
  - 组合命令控制注释阴影的半径
  - 一般全局参数
  - 节点基本参数
  - 节点对应的形状
  - 节点注释
  - 枝条参数
  - 环参数
- 进化树实战
- - 构建OTU丰度和物种文件说明
  - 准备需要展示的数据
  - 构建三列注释文件，主要是节点注释
  - 构建四列注释文件，主要是环注释
  - 总体环修饰指标可以保存基本小修即可
  - graphlan出图，三条命令三张图
  - 问题：分支节点未命名或无法命名
- 参考文献
- 作者简介
- 猜你喜欢
- 写在后面

Graphlan可视化进化树

撰文：文涛南京农业的大学

责编：刘永鑫中科院遗传发育所

GraPhlAn简介

总体来讲，Graphlan是一个可视化进化树和基于分类等级绘制层级分类树的工具。可以制作分类树是它不同于R包ggtree和iTOL的地方。然就进化树而言，iTOL功能最为全面，ggtree最容易上手，从功能上来讲graphlan很多地方不如iTOL，比如，iTOL无限制添加的数据集，外环可以制作各种图形包括箱线图等，可以使用多种符号填充外环，但是Graphlan就不能这么随便了，只能使用两个符号填充外环。再多的环属性也就是设置环数量和颜色，透明度了。ggtree最容易上手，但是就一张圈图来说，它不能添加除了热图以外的其他图形，但是在非圈图的模式下，可以对多种数据进行合并，方法将更为简单，操作也容易一些。

素颜vs美化

下面通过我们的实战，将这个原始的图形通过graphlan大法，改变到下面的样子

完全认不出来了吧，这就是美颜的重要性。

认识软件参数

参数虽多，你也不需要记住，只要认识即可，而且都是字面意思，懂英文看一遍全懂了，需要时可以来查。大多时间我们是在别人基础上修改，能看懂代码即可。

熟悉grahlan注释参数-全局参数，
一般全局参数使用方式为：参数名 + 参数值

分支控制，一般不做控制

branch_bracket_depth     0##控制一个分支块的聚集程度，值越大，树枝越集中
branch_bracket_width 0  0###控制一个分支点延伸出来的分支线的长度，设定大了会反向延长超多分支点。
annotation_background_alpha ：只能设置全部的阴影的透明度

组合命令控制注释阴影的半径

一下两个指标设置为负值，且两者均设置为-0.7，会大大减小注阴影半径

annotation_background_separation -0.40
annotation_background_offset -0.34

一般全局参数

title：设置图片题目
title_font_size：60 题目字体大小
total_plotted_degrees 350：这个设置整个圆圈的展看角度，不会设置超过360度，一般设置一个比360度小一点的值是为了添加标签使用（例如：对环添加标签ring_label）。
start_rotation 270：对圆圈图进行旋转的起始位置；注意图形下方为270°，左方为0°。
class_legend_font_size 图例大小设置
## 全局注释
annotation_background_alpha 0.02：全部注释背景透明度；
annotation_background_width 0.03 注释背景宽度
annotation_font_size：设置注释字体大小
annotation_legend_font_size 设置图上容不下时，代表字母的对应注释的字体大小branch_thickness：全局树枝的粗细设置
branch_color  ：设置全局树枝颜色
ignore_branch_len 10：控制全局树伸展和大小
clade_marker_size：全局的点的尺寸
clade_marker_edge_width：全局的点的边缘宽度
clade_separation    0.5  进化树分枝簇的紧凑程度ring_internal_separator_thickness 0.01  设置环与环之间的厚度
ring_separator_color ：设置环间隔的颜色，结合厚度设置选项增多ring_width：设置在这个环上每个点所占有的宽度；
ring_height：设置环与环之间的距离，默认环与环之间的距离为1；
ring_shape：对分类树外面每层的空间设置形状填充，有不多的中形状可以选择。v：正v字型；^：v字型；
ring_alpha 0.01：这是对每个叶节点占据的位置不透明度，最大值为1。值越高颜色越深，当然需要结合设置颜色ring_color
ring_color：每条环的颜色

设置全局的环参数，必须建立在叶节点对应的shape上，不可只设置全局参数，尤其是全局ring color，仅仅设置该参数是无法进行全环上色的。默认节点shape是R，也就是整个叶节点对应的方块。

节点基本参数

节点参数使用方式：节点名称 + 参数名称 + 参数值

#节点基本参数
clade_marker_size   节点的大小，从1到200都可以设置
clade_marker_color：颜色：默认无色，r：红色；b：蓝色（基本为颜色首字母）
clade_marker_shape：形状：默认圆形，*：代表五角星，h：代表六边形
clade_marker_label：设置点内部写一个标签，后面跟上标签内容
clade_marker_font_color：设置点内标签的字体颜色
clade_marker_edge_color #555555  控制节点的颜色
clade_marker_edge_width 1.2#节点的边的宽度

节点对应的形状

这些标签有我们熟悉的点，圈，各个方向的三角，五边形，五角星，钻石等。具体符号和对应名称如下：

'.' : point marker
',' : pixel marker
'o' : circle marker
v' : triangle_down marker
'^' : triangle_up marker
'<' : triangle_left marker
'>' : triangle_right marker
'1' : tri_down marker
'2' : tri_up marker
'3' : tri_left marker
'4' : tri_right marker
's' : square marker
'p' : pentagon marker
'*' : star marker
'h' : hexagon1 marker
'H' : hexagon2 marker
'+' : plus marker
'x' : x marker
'D' : diamond marker
'd' : thin_diamond marker
'|' : vline marker
'_' : hline marker

节点注释

#节点注释
annotation_background_color
annotation_background_alpha 0.02：注释背景透明度；
annotation_background_width 0.03 注释背景宽度
annotation_font_size：设置注释字体大小
annotation_legend_font_size设置图上容不下，设置成代表字母的对应注释的注释字体大小

枝条参数

branch_thickness 枝条的厚度
branch_color 枝条颜色
branch_color_from_ancestor：使用上级分支的颜色

环参数

ring_internal_separator_thickness 0.01  设置环与环之间的厚度
ring_separator_color ：设置环间隔的颜色，结合厚度设置选项增多ring_width：设置在这个环上每个点所占有的宽度；
ring_heigh：设置环与环之间的距离，默认环与环之间的距离为1；
ring_shape：对分类树外面每层的空间设置形状填充，有不多的形状可以选择。v：正v字型；^：^字型；
ring_alpha 0.01：这是对每个叶节点占据的位置不透明度，最大值为1。值越高颜色越深，当然需要结合设置颜色ring_color
ring_color：每条环的颜色

进化树实战

使用材料

我们使用已经做好的16s序列构建的进化树（由Fastree生成，一般为rep_set.tree）
对应OTU的丰度表格和注释文件，分别为otu_table.txt和rep_seqs_tax.txt，有时可能两者存于同一文件内；
实验设计，即样本对应属性，如分组信息(可选)。

分析要求

做一张进化树，并将不同门的OTU节点标注不同的颜色和形状
对不同的门的OTU添加不同颜色的阴影(低透明度颜值高)。
根据每个样品的OTU丰度使用不同颜色，添加外环。
全部样品分为两个组，根据OTU在两个组中的丰度信息添加不同的标签环
进行差异分析，添加外环对差异OTU根据其分组进行上色并标注。
将OTU总体丰度通过最外环高度展示出来。

构建OTU丰度和物种文件说明

上面我们见过软件的参数，每个节点都要注释，如果手动搞，可能真要3天至半个月画个美颜树。只要是批量操作且有规律，我们就可以用编程来实现。

使用R语言构造注释文件，这里我们明确，基于GraPhlAn的注释文件按照注释占有列数量我分为一下三个部分：

占两列的注释：题目，全局参数，例如，全局点和枝参数
占三列注释：叶，枝参数，全局环参数。图例参数
占四列参数：环参数

由于注释文件编写耗费很大时间，Excel适合编写的也仅仅只有占两列的数据，和总环的参数。这部分编写完成之后每次绘图基本只根据不同的实验，会小范围修改。参考模板：annot1.txt

首先根据之前要求，准备要处理文件

并确定工作目录包括所需的OTU表、物种注释、实验设计等文件，文件名与代码中不对应请自行修改。

测试数据和代码下载链接，后台回复“graphlan”获取

准备需要展示的数据

OTU表和实验设计的读取、交叉筛选和标准化

# 读取OTU表
otu = read.table("otu_table.txt", sep="\t",row.names= 1,header=T, check.names=F)
head(otu)
# 读入实验设计
design = read.table("metadata.txt", header=T, row.names= 1, sep="\t")
head(design, n=12L)
# 交叉筛选，保持实验设计和OTU中样本对应
idx = rownames(design) %in% colnames(otu)
sub_design = design[idx,]
# 过滤OTU表
OTU = otu[,rownames(design)]
head(OTU)
OTU = as.matrix(OTU)# 原始reads count表标准化
norm = t(t(OTU)/colSums(OTU,na=T)) #* 100 可 normalization to total 100
# 转置并转换为数据框
library(dplyr)
norm1 = norm %>% t() %>% as.data.frame()
norm1[1:3,1:3]

计算分组均值

# 数据分组计算平均值
otutab.split = split(norm1,as.factor(sub_design$SampleType_RS))
otutab.apply = lapply(otutab.split,function(x)colSums(x))
norm2 = do.call(rbind,otutab.apply) %>% t() # OTU表后面添加分组均值
OTU_all= cbind(as.data.frame(norm),norm2)
head(OTU_all)

追加物种注释

# 读取OTU对应的物种注释
# 9列，分别为ID，界门纲目科属种和置信度
tax = read.delim("rep_seqs_tax.txt", sep="\t",row.names= 1,header=F, check.names=F)
# 只保留物种7级分类
tax = tax[1:7]
head(tax)
# 添加分类级列名：界门纲目科属种
colnames(tax) =c("kingdom","phylum","class","order","family","genus","species")# OTU表再添加物种注释
index = merge(OTU_all,tax, by="row.names",all=F)
row.names(index) = index$Row.names
index$Row.names = NULL
head(index)

上面，我们制作OTU对应丰度、平均丰度和物种注释的数据

映射丰度至颜色

# 设定颜色梯度，橙-白-绿三色过滤
colorg = colorRampPalette(c( "#D95F02", "white","#1B9E77"))(12)
# 通用绘图缩放方法 Generic plot scaling methods
library("scales")
# 显示颜色和对应16进制RGB代码
show_col(colorg)# 建立12种颜色的数据框
c = data.frame(id = c(1:12),col = colorg)
# 提取前面OTU中12个样品的丰度部分
a = index[1:12]for(i in 1:nrow(a)){a[i,1:12] = match(colnames(a[i,1:12]), colnames(sort(a[i,1:12])))}
# 填充颜色:替换丰度顺序为对应的颜色
for(i in 1:nrow(a)){aa = a[i,]aa = as.data.frame(aa)colnames(aa) = aa[1,]ccc =t(c[colnames(aa),]) a[i,] = ccc[2,]}
head(a)
out = cbind(index,a)
head(out)

映射分组为开关

##组比对映射形状
HH = c(rep("A",nrow(out)))
LL = c(rep("A",nrow(out)))
# 两组比较，大的标为v，小的为空
for(i in 1:nrow(out)){if(out[i,13] > out[i,14]){HH[i] ="v"LL[i] =" "}else if(out[i,13] == out[i,14]){HH[i] =" "LL[i] =" "}else if(out[i,13] < out[i,14]){HH[i] =" "LL[i] ="^"}}
# 继续追加至表末
out2 = cbind(out,HH,LL)
head(out2)

差异分析

###下一步添加差异分析结果
# 安装bioconductor包安装工具
# if (!requireNamespace("BiocManager", quietly = TRUE))
#     install.packages("BiocManager")
# 安装差异比较包DESeq2
# BiocManager::install("DESeq2", version = "3.8")
# BiocManager::install("GenomeInfoDb", version = "3.8")
# BiocManager::install("S4Vctors", version = "3.8")
library(DESeq2)
library(limma)
# BiocManager::install("pasilla", version = "3.8")
library(pasilla)
# library(DESeq)
head(OTU )
count = OTU
count=as.matrix(count)#######首先比较发病和健康中的差异#############
# 读入矩阵和实验设计，指定分类
dds = DESeqDataSetFromMatrix(countData = count,colData = sub_design,design = ~ SampleType_RS)dds2 = DESeq(dds)  ##第二步,标准化
resultsNames(dds2)
# 将结果用results()函数来获取，赋值给res变量
res =  results(dds2, contrast=c("SampleType_RS","BL", "BH"),alpha=0.05)
# summary一下，看一下结果的概要信息
summary(res)
# 按校正P值和差异倍数，添加颜色
res$level = as.factor(ifelse(res$padj < 0.05 & res$log2FoldChange > 1, "#D95F02",ifelse(res$padj < 0.05 & res$log2FoldChange < -1, "#1B9E77"," ")))
head(res)
# 提取筛选的显著差异，添加至otu表
res1 = as.data.frame(res[ncol(res)])
OTU_TAX_all =  merge(out2,res1, by="row.names",all=F)
head(OTU_TAX_all)
dim(OTU_TAX_all)
row.names(OTU_TAX_all) = OTU_TAX_all$Row.names
OTU_TAX_all$Row.names = NULL

构建三列注释文件，主要是节点注释

##构建进化树节点属性注释文件
# head(OTU_TAX_all)
pcol = c(rep("A",nrow(OTU_TAX_all)))
psha = c(rep("A",nrow(OTU_TAX_all)))
# 按门水平手动设置颜色和形状
for(i in 1:nrow(OTU_TAX_all)){if(OTU_TAX_all[i,16] == "p__Acidobacteria"){pcol[i] ="#B0171F"psha[i] ="*"}else if(OTU_TAX_all[i,16] == "p__Proteobacteria"){pcol[i] ="#D15FEE"psha[i] ="o"}else if(OTU_TAX_all[i,16] == "p__Acidobacteria"){pcol[i] ="#B0171F"psha[i] ="*"}else if(OTU_TAX_all[i,16] == "p__Verrucomicrobia"){pcol[i] ="#00CD00"psha[i] ="*"}else if(OTU_TAX_all[i,16] == "p__Cyanobacteria"){pcol[i] ="#87CEFA"psha[i] ="*"}else if(OTU_TAX_all[i,16] == "p__Actinobacteria"){pcol[i] ="#FEC80A"psha[i] ="*"}else if(OTU_TAX_all[i,16] == "p__Bacteroidetes"){pcol[i] ="#EE6A50"psha[i] ="*"}else if(OTU_TAX_all[i,16] == "p__Chloroflexi"){pcol[i] ="#7B68EE"psha[i] ="D"}else if(OTU_TAX_all[i,16] == "p__Gemmatimonadetes"){pcol[i] ="#9ACD32"psha[i] ="*"}else if(OTU_TAX_all[i,16] == "p__Firmicutes"){pcol[i] ="#8DEEEE"psha[i] ="*"}else {pcol[i] ="#006400"psha[i] ="*"}
}
# OTUID对应物种颜色形状数据框
ano4 = cbind(row.names(OTU_TAX_all),pcol,psha)
# head(ano4)
ano4 = as.data.frame(ano4)

生成三列的graphlan要求结点注释文件

# 节点颜色映射
ste1 = data.frame(a = ano4$V1,b = c(rep("clade_marker_color",nrow(OTU_TAX_all))),c = ano4$pcol)
head(ste1)
# 节点形状映射
ste2 = data.frame(a = ano4$V1,b = c(rep("clade_marker_shape",nrow(OTU_TAX_all))),c = ano4$psha)
head(ste2)
# 节点阴影映射颜色，同节点颜色
ste3 = data.frame(a = ano4$V1,b = c(rep("annotation_background_color",nrow(OTU_TAX_all))),c = ano4$pcol)
head(ste3)
# 注释透明度，淡色，如0.1透明
ste4 = data.frame(a = ano4$V1,b = c(rep("annotation_background_alpha",nrow(OTU_TAX_all))),c = c(rep(0.1,nrow(OTU_TAX_all))))
head(ste4)
ste4$c = as.factor(ste4$c)
# 节点大小，这里统一写10，LEfSe中按丰度大小变化
ste5 = data.frame(a = ano4$V1,b = c(rep("clade_marker_size",nrow(OTU_TAX_all))),c = c(rep(10,nrow(OTU_TAX_all))))
head(ste5)
ste5$c = as.factor(ste5$c)# 保存文件
ste_all = rbind(ste1,ste2,ste3,ste4,ste5)
head(ste_all)
# 保存统计结果，有waring正常
write.table(ste_all, "annot2.txt", append = F, quote = F, sep="\t", eol = "\n", na = "NA", dec = ".", row.names = F, col.names = F)

构建四列注释文件，主要是环注释

# 构建单样品丰度映射文件，共12列
# 提取之前按丰度构建的颜色矩阵
anno1 = OTU_TAX_all[22:33]
head(anno1)
# 设置样本对应环编号
colnames(anno1 ) = c(1:3,7:12,4:6)
anno1$id = row.names(anno1)
library("reshape2")
# 构建3列文件，ID，环编号，对应颜色
anno11 = melt(anno1,id.vars = "id",variable.name = "ring",value.name = "color")
# 添加第4列，类型
anno11$ringcolor = c(rep("ring_color",nrow(anno11)))
# 调整列的序列，前两列为ID和类型，其它在后面
anno11 = select(anno11,id,ringcolor,everything())
head(anno11)

##构建平均丰度标志映射文件
anno2 = data.frame(OTU_TAX_all$LL,OTU_TAX_all$HH,row.names = row.names(OTU_TAX_all))
head(anno2)
# 位置为13/14圈
colnames(anno2 ) = c(13,14)
anno2$id = row.names(anno2)
anno22 = melt(anno2,id.vars = "id",variable.name = "ring",value.name = "shape")
anno22$ringshape = c(rep("ring_shape",nrow(anno22)))
anno22 = select(anno22,id,ringshape,everything())
# 只保留有差异，即有形状标记的行
anno222 = anno22[anno22$shape %in% c("^","v"),]
head(anno222)

##构建差异分析颜色标记文件
anno3 = data.frame(id = row.names(OTU_TAX_all),ringcolor = c(rep("ring_color",nrow(OTU_TAX_all))),ring =c(rep(15,nrow(OTU_TAX_all))),color = OTU_TAX_all$level )
anno3$ring = as.factor(anno3$ring)
head(anno3)
anno33 = anno3[anno3$color %in% c("#D95F02","#1B9E77"),]

# 合并1，3批的颜色注释
head(anno11);dim(anno11)
ann_all = rbind(anno11,anno33)
# 第二批为形状，需改列名再合并
colnames(anno222) = colnames(ann_all)
ann_all2 = rbind(ann_all,anno222)
head(ann_all2)

# 添加物种丰度总体特征
# 计算所有样品的均值
norm$mean = apply(norm,1,mean)
head(norm)
# 计算平方根，标准化数据更均匀
norm$mean = sqrt(norm$mean)
norm$mean = sqrt(norm$mean)# 第16列行高度展示丰度的4次方根
ste6 = data.frame(a = ano4$V1,b = c(rep("ring_height",nrow(OTU_TAX_all))),c = c(rep(16,nrow(OTU_TAX_all))),d = norm$mean)
head(ste6)
ste6$c = as.factor(ste6$c)

# 统一列名，并合并
colnames(ste6) = colnames(ann_all2)
ann_all3 = rbind(ann_all2,ste6)
head(ann_all3)
# 保存文件
write.table(ann_all3, "annot3.txt", append = F, quote = F, sep="\t", eol = "\n", na = "NA", dec = ".", row.names = F, col.names = F)

总体环修饰指标可以保存基本小修即可

title    Metagenomic
title_font_size 12
total_plotted_degrees   350
start_rotation  270
branch_bracket_depth    0
branch_bracket_width    0
branch_color    g
branch_thickness    0.5
ignore_branch_len   0
clade_marker_size   0.6
clade_marker_edge_width 0.35
class_legend_font_size  9
annotation_background_separation    -0.4
annotation_background_offset    -0.33
annotation_background_width 0.03
annotation_background_alpha 0.01
annotation_font_size    8
annotation_legend_font_size 9
ring_internal_separator_thickness   1   0.3
ring_internal_separator_thickness   2   0.3
ring_internal_separator_thickness   3   0.1
ring_internal_separator_thickness   4   0.1
ring_internal_separator_thickness   5   0.1
ring_internal_separator_thickness   6   0.1
ring_internal_separator_thickness   7   0.1
ring_internal_separator_thickness   8   0.1
ring_internal_separator_thickness   9   0.1
ring_internal_separator_thickness   10  0.1
ring_internal_separator_thickness   11  0.1
ring_internal_separator_thickness   12  0.1
ring_internal_separator_thickness   13  0.1
ring_internal_separator_thickness   14  0.1
ring_internal_separator_thickness   15  0.1
ring_internal_separator_thickness   16  0.1
ring_separator_color    1   y
ring_separator_color    2   y
ring_separator_color    3   b
ring_separator_color    4   b
ring_separator_color    5   b
ring_separator_color    6   b
ring_separator_color    7   b
ring_separator_color    8   b
ring_separator_color    9   b
ring_separator_color    10  b
ring_separator_color    11  b
ring_separator_color    12  b
ring_separator_color    13  r
ring_separator_color    14  b
ring_separator_color    15  r
ring_separator_color    16  r
ring_width  1   0.3
ring_height 1   0.5
ring_height 2   0.1
ring_height 3   0.1
ring_height 4   0.1
ring_height 5   0.1
ring_height 6   0.1
ring_height 7   0.1
ring_height 8   0.1
ring_height 9   0.1
ring_height 10  0.1
ring_height 11  0.1
ring_height 12  0.1
ring_height 13  0.1
ring_height 14  0.1
ring_height 15  0.1
ring_height 16  0.1

graphlan出图，三条命令三张图

注：如果没有graphlan，需要在linux服务器上，按官网或conda安装

推荐conda一条命令安装conda install graphlan

基于结点颜色、形状、背景色+透明度(annon2.txt)美化进化树（rep_set.tree）

# 进化树结合注释
graphlan_annotate.py --annot annot2.txt rep_set.tree 1.xml
# 绘制150dpi的PNG
graphlan.py --dpi 150 1.xml 1.png
# 绘制矢量图PDF
graphlan.py 1.xml 1.pdf

在上图的基础上，外圈添加丰度(anno3.txt)，包括12个样品，各组中高/低，极是否显著

graphlan_annotate.py --annot annot3.txt 1.xml 2.xml
graphlan.py --dpi 150 2.xml 2.png
graphlan.py 2.xml 2.pdf

添加基本全局参数，调图形样式

graphlan_annotate.py --annot annot1.txt 2.xml 3.xml
graphlan.py --dpi 300 3.xml 3.png
graphlan.py 3.xml 3.pdf

问题：分支节点未命名或无法命名

在扩增子分析中，我们经常构建的无根进化树，有没有根倒是无所谓，但是这些使用Fastree构建的进化树有共同的特征，就是除了叶节点，其余分支节点命名无法在graphlan指明。

进化树文件局部示例：

((((((((('OTU_512':0.01655,'OTU_592':0.05858)==1.000:0.15061==,((('OTU_409':0.05856,

但是这里我们可以看到分支节点名为1.000，但是在注释文件中通过这个节点无法添加相应的操作。

参考文献

Asnicar F, Weingart G, Tickle T L, et al. Compact graphical representation of phylogenetic data and metadata with GraPhlAn[J]. PeerJ, 2015, 3: e1029. http://huttenhower.sph.harvard.edu/GraPhlAn

作者简介

文涛：2016年就读于南京农业大学。荣拜资源院沈其荣教授课题组，研究方向为根际微生物生态，具体为植物介导下根际小分子代谢组同土壤微生物群落在防控土传病害方面的相互作用。关注宏基因组和代谢组。大家有兴趣可以通过2018203048@njau.edu.cn交流。欢迎打扰！

写在后面

为鼓励读者交流、快速解决科研困难，我们建立了“宏基因组”专业讨论群，目前己有国内外5000+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍末解决群内讨论，问题不私聊，帮助同行。

学习扩增子、宏基因组科研思路和分析实战，关注“宏基因组”

点击阅读原文，跳转最新文章目录阅读
https://mp.weixin.qq.com/s/5jQspEvH5_4Xmart22gjMA

GraPhlAn：最美进化树或层级分类树学习笔记相关推荐

bootstrap树节点如何设置默认不展开_GraPhlAn：最美进化树或层级分类树学习笔记
Graphlan可视化进化树撰文:文涛南京农业的大学责编:刘永鑫中科院遗传发育所 GraPhlAn简介总体来讲,Graphlan是一个可视化进化树和基于分类等级绘制层级分类树的工具.可以制作 ...
文本分类模型学习笔记
文本分类模型学习笔记 TextCNN 模型结构 HAN 模型结构实验数据集预处理模型内容模型训练模型测试近年来,深度学习模型在计算机视觉和语音识别中取得了显著成果.在自然语言处理中,深度 ...
算法 | 虚树学习笔记
虚树学习笔记? blog 虚树是一棵虚拟构建的树-废话这棵树只包含关键点和关键的点,而其他不影响虚树结构的点和边都相当于进行了路径压缩-而且整棵虚树的大小不会超过关键点的2倍举个例子? 比方说-4 ...
机器学习训练营-基于XGBoost的分类预测学习笔记
文章目录前言一.学习知识点概要二.学习内容 1 XGBoost的应用及优缺点 1.1 XGBoost的应用 1.2 XGBoost的优缺点 2 基于天气数据集的XGBoost分类实战 2.1 目 ...
分类模型 · 学习笔记一
文章目录分类模型分类算法一:逻辑回归一.直接采用线性概率模型是否可行? 二.模型的构建 1. 两点分布(伯努利分布) 2. 那么连接函数 F ( x , β ) F(x,\beta) F(x,β ...
分类问题学习笔记-决策树
文章目录决策树案例: 原理: 基于信息论的三种决策树算法: 1.ID3算法 **信息熵:** **案例:** ID3算法的不足 2.C4.5算法 3.CART算法优点: 缺点: 关于剪枝: py ...
感知机算法分类原理学习笔记
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 1. 感知机模型给定训练样本集令若存在超平面,使下面等式成立 ...
行列式、LGV、矩阵树学习笔记
前置知识:矩阵.高斯消元行列式行列式定义 \[\text{det(A)}=\sum_{p}{(-1)^{\mathrm{sgn}(p)}\prod{A_{i,p_i}}} \] 其中 \(\tex ...
可持久化线段树学习笔记
可持久化线段树,即主席树. 每次修改的时候不修改原来的节点,暴力建新节点,充分运用了函数式编程的思想. 模板题:给定一个数列,\(m\) 次询问求区间 \([l,r]\) 内的第 \(k\) 大. 利 ...
仙人掌圆方树学习笔记
终于对仙人掌有了一点初步的理解. 仙人掌仙人掌是什么? 仙人掌是一个无向图. 仙人掌有什么特点? 仙人掌的每条边只属于一个简单环. 下面是一个栗子有什么用呢? 我们可以先用\(tarjan\)找出 ...

GraPhlAn：最美进化树或层级分类树学习笔记