不均衡數(shù)據(jù)集的研究及其在蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)中的應(yīng)用.pdf

1、在生產(chǎn)與生活中經(jīng)常出現(xiàn)不均衡數(shù)據(jù)集問(wèn)題，尤其在許多實(shí)際的應(yīng)用領(lǐng)域更多見，例如詐騙信用卡的檢測(cè)、信息檢索、網(wǎng)絡(luò)入侵檢測(cè)、醫(yī)療診斷、文本分類及生物信息檢測(cè)等，其中更為重要的是少數(shù)類樣本的預(yù)測(cè)。傳統(tǒng)分類算法一般對(duì)均衡數(shù)據(jù)集具有較好的分類效果，其評(píng)價(jià)標(biāo)準(zhǔn)主要是基于精度的，而在不平衡數(shù)據(jù)集上分類效果不好，經(jīng)常把少數(shù)類樣本誤分為大類，不能達(dá)到分類的目的。然而在不平衡數(shù)據(jù)集中，數(shù)量較小的少數(shù)類的識(shí)別率往往具有更大的意義。在不平衡數(shù)據(jù)集中，小類樣本的分

2、布比較松散，而且大量大類樣本經(jīng)常包圍小類樣本，這是小類樣本的的學(xué)習(xí)面臨的重大挑戰(zhàn)之一。所以在不均衡數(shù)據(jù)集的分類問(wèn)題的研究上，迫切需要新的分類方法和判別準(zhǔn)則的出現(xiàn)。由于不平衡數(shù)據(jù)集在實(shí)際應(yīng)用中經(jīng)常碰到，它對(duì)傳統(tǒng)的分類方法構(gòu)成了巨大的挑戰(zhàn)，如何有效地處理不平衡數(shù)據(jù)集引起了人們的關(guān)注。不均衡數(shù)據(jù)集分類也成了機(jī)器學(xué)習(xí)領(lǐng)域和數(shù)據(jù)挖掘的又一新的研究熱點(diǎn)，同時(shí)也引起了模式識(shí)別、數(shù)據(jù)挖掘方面專家的研究興趣。近年來(lái)，在ACM、IEEE、機(jī)器學(xué)習(xí)、模式識(shí)別

3、及數(shù)據(jù)挖掘等一些相關(guān)的學(xué)術(shù)會(huì)議上，都有關(guān)于不均衡數(shù)據(jù)集的相關(guān)專題討論。
　　 針對(duì)下抽樣的方法的不足，本文提出了一種基于K-means聚類的改進(jìn)算法。為了保證整體性能的同時(shí)來(lái)提高小類樣本的分類的準(zhǔn)確率，并盡量防止含有重要信息的大類樣本的丟失，我們采用了選擇性抽樣和隨機(jī)抽樣技術(shù)相結(jié)合方法對(duì)大類樣本進(jìn)行抽樣，提出了一種基于K-means聚類的下抽樣的方法，通過(guò)在UCI數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證其有效性。并將其應(yīng)用于蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)，

4、有效的解決了蛋白質(zhì)相互作用預(yù)測(cè)中存在的樣本類別不均衡的問(wèn)題，從而提高了蛋白質(zhì)相互作用位點(diǎn)的識(shí)別率。
　　 總的來(lái)說(shuō)，本文的主要研究?jī)?nèi)容如下：
　　 1．概述了不均衡數(shù)據(jù)集研究和集成學(xué)習(xí)研究的現(xiàn)狀、目的與意義。主要簡(jiǎn)述了不均衡數(shù)據(jù)集分類面臨的問(wèn)題及解決策略、集成學(xué)習(xí)的實(shí)現(xiàn)方法及應(yīng)用成果。
　　 2．為了保證整體性能的同時(shí)來(lái)提高小類樣本分類的準(zhǔn)確率，并盡量防止含有重要信息的大類樣本的丟失，引入了一種無(wú)監(jiān)督的學(xué)習(xí)方法，

5、提出了一種基于K-means聚類的下抽樣的方法。在UCI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，這種基于劃分的K-means方法的下抽樣算法能夠有效的提高小類樣本的識(shí)別率和保證整體的分類性能，該方法也可以解決現(xiàn)實(shí)生活中不均衡數(shù)據(jù)集分類問(wèn)題。
　　 3．簡(jiǎn)述了蛋白質(zhì)相互作用位點(diǎn)研究的現(xiàn)狀與意義，為了進(jìn)一步提高蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)精度，本文提出了一種基于構(gòu)造性神經(jīng)網(wǎng)絡(luò)集成的蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)的方法，以蛋白質(zhì)序列譜和可及表面積為特征向量，采用

6、窗口大小為11進(jìn)行蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)，和傳統(tǒng)的SVM和覆蓋算法相比，該方法的整體預(yù)測(cè)性能較好，說(shuō)明了基于覆蓋的集成學(xué)習(xí)算法在蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)的正確性和有效性。
　　 4．針對(duì)蛋白質(zhì)相互作用位點(diǎn)的數(shù)據(jù)集中存在的樣本類別不均衡現(xiàn)象，分析它對(duì)蛋白質(zhì)相互作用位點(diǎn)預(yù)測(cè)造成的影響。為了進(jìn)一步提高界面殘基的識(shí)別率，我們將基于K-means聚類的下抽樣方法應(yīng)用到蛋白質(zhì)相互作用位點(diǎn)的預(yù)測(cè)中，通過(guò)該方法獲得均衡的蛋白質(zhì)數(shù)據(jù)集，實(shí)驗(yàn)結(jié)果表