现代电子技术
現代電子技術
현대전자기술
MODERN ELECTRONICS TECHNIQUE
2015年
9期
90-95
,共6页
蛋白质-维生素相互作用%绑定位点预测%多重随机下采样%SVM集成%Adaboost算法
蛋白質-維生素相互作用%綁定位點預測%多重隨機下採樣%SVM集成%Adaboost算法
단백질-유생소상호작용%방정위점예측%다중수궤하채양%SVM집성%Adaboost산법
protein-vitamin interaction%binding site prediction%multiple random sampling%SVM ensemble%AdaBoost al-gorithm
在蛋白质与维生素绑定位点预测问题中，小类样本和大类样本之间存在显著的不平衡性，传统的机器学习方法将不再适用。针对此问题，在多重随机下采样的基础上结合支持向量机（SVM）集成来预测蛋白质与维生素的绑定位点，采用了一种改进的AdaBoost集成方法，称为MAdaBoost集成。通过实验比较了不同的集成策略，其中MAdaBoost集成效果最优。实验结果表明，采用随机下采样结合SVM集成将有效提高蛋白质维生素绑定位点预测的精度。
在蛋白質與維生素綁定位點預測問題中，小類樣本和大類樣本之間存在顯著的不平衡性，傳統的機器學習方法將不再適用。針對此問題，在多重隨機下採樣的基礎上結閤支持嚮量機（SVM）集成來預測蛋白質與維生素的綁定位點，採用瞭一種改進的AdaBoost集成方法，稱為MAdaBoost集成。通過實驗比較瞭不同的集成策略，其中MAdaBoost集成效果最優。實驗結果錶明，採用隨機下採樣結閤SVM集成將有效提高蛋白質維生素綁定位點預測的精度。
재단백질여유생소방정위점예측문제중，소류양본화대류양본지간존재현저적불평형성，전통적궤기학습방법장불재괄용。침대차문제，재다중수궤하채양적기출상결합지지향량궤（SVM）집성래예측단백질여유생소적방정위점，채용료일충개진적AdaBoost집성방법，칭위MAdaBoost집성。통과실험비교료불동적집성책략，기중MAdaBoost집성효과최우。실험결과표명，채용수궤하채양결합SVM집성장유효제고단백질유생소방정위점예측적정도。
Since the obvious imbalance exists between small samples and large samples in protein?vitamin binding site pre?diction problem,the traditional machine learning approach is not suitable for this problem. To tackle this problem,protein?vita?min binding site is predict by combining multiple random sampling with SVM ensemble,an improved AdaBoost algorithm which is called MAdaBoost ensemble is adopted. Different ensemble strategies are compared by experiments,the MAdaBoost ensemble strategy is optimal. The experimental results show that the accuracy of protein?vitamin binding site prediction is improved by ap?plying random sampling with SVM ensemble method.
