14、蛋白质分类与定位预测方法的性能评估

蛋白质分类与定位预测方法的性能评估

1. RP - SVM 的性能评估

1.1 集成随机投影的性能

通过留一法交叉验证，在病毒数据集和植物数据集上对 RP - SVM 和 RP - AD - SVM 在不同特征维度下的性能进行了评估。在病毒数据集上，原始特征向量维度为 331，当维度在 50 到 300 之间时，RP - SVM 的性能优于 mGOASVM，这表明即使维度仅为原始维度的六分之一，随机投影（RP）也能提升分类性能，说明原始特征向量存在无关或冗余信息。当维度大于 100 时，RP - AD - SVM 的性能与 AD - SVM 相当或更优，表明随机投影与自适应决策方案具有互补性。在植物数据集上，RP - AD - SVM 在更宽的特征维度范围（200 到 1541）内优于 AD - SVM，而在病毒数据集上，该范围较窄（100 到 300），说明 RP - AD - SVM 在植物蛋白分类上更稳健。

1.2 与其他降维方法的比较

将 RP - SVM 与 PCA - SVM 和 RFE - SVM 这两种降维方法在病毒数据集和植物数据集上进行比较。在病毒数据集上，当维度大于 50 时，RP - SVM 和 RFE - SVM 的性能优于 mGOASVM；当维度大于 100 时，PCA - SVM 才优于 mGOASVM，说明前两种方法比 PCA - SVM 更稳健。当维度高于 75 时，RP - SVM 优于 RFE - SVM 和 PCA - SVM。在植物数据集上，只有 RP - SVM 在较宽的维度范围内表现最佳，而 RFE - SVM 和 PCA - SVM 在维度降至 200 时表现较差。

1.3 单随机投