Biopython - uczenie maszynowe

Bioinformatyka to doskonały obszar do zastosowania algorytmów uczenia maszynowego. Mamy tutaj informacje genetyczne dużej liczby organizmów i nie jest możliwe ręczne przeanalizowanie wszystkich tych informacji. Jeśli zastosujemy odpowiedni algorytm uczenia maszynowego, możemy z tych danych wydobyć wiele przydatnych informacji. Biopython zapewnia użyteczny zestaw algorytmów do nadzorowanego uczenia maszynowego.

Uczenie nadzorowane opiera się na zmiennej wejściowej (X) i zmiennej wyjściowej (Y). Wykorzystuje algorytm, aby nauczyć się funkcji mapowania z wejścia do wyjścia. Jest zdefiniowany poniżej -

Y = f(X)

Głównym celem tego podejścia jest przybliżenie funkcji mapowania, a gdy masz nowe dane wejściowe (x), możesz przewidzieć zmienne wyjściowe (Y) dla tych danych.

Model regresji logistycznej

Regresja logistyczna to nadzorowany algorytm uczenia maszynowego. Służy do znalezienia różnicy między klasami K przy użyciu ważonej sumy zmiennych predykcyjnych. Oblicza prawdopodobieństwo wystąpienia zdarzenia i może służyć do wykrywania raka.

Biopython zapewnia moduł Bio.LogisticRegression do przewidywania zmiennych w oparciu o algorytm regresji logistycznej. Obecnie Biopython implementuje algorytm regresji logistycznej tylko dla dwóch klas (K = 2).

k-Najbliżsi sąsiedzi

k-Nearest neighbors to również nadzorowany algorytm uczenia maszynowego. Działa poprzez kategoryzowanie danych na podstawie najbliższych sąsiadów. Biopython dostarcza moduł Bio.KNN do przewidywania zmiennych w oparciu o algorytm k-najbliższych sąsiadów.

Naiwny Bayes

Naiwne klasyfikatory Bayesa to zbiór algorytmów klasyfikacyjnych opartych na twierdzeniu Bayesa. Nie jest to pojedynczy algorytm, ale rodzina algorytmów, w których wszystkie mają wspólną zasadę, tj. Każda para klasyfikowanych cech jest od siebie niezależna. Biopython dostarcza moduł Bio.NaiveBayes do pracy z algorytmem Naive Bayes.

Model Markowa

Model Markowa to system matematyczny zdefiniowany jako zbiór zmiennych losowych, które przechodzą z jednego stanu do drugiego zgodnie z pewnymi regułami probabilistycznymi. Biopython zapewniaBio.MarkovModel and Bio.HMM.MarkovModel modules to work with Markov models.