ML：《Data-driven advice for applying machine learning to bioinformatics problems应用机器学习到生物信息学问题的》翻译与解读

ML：《Data-driven advice for applying machine learning to bioinformatics problems应用机器学习到生物信息学问题的数据驱动建议》翻译与解读

导读：本文通过比较13种流行的机器学习算法在165个公开分类数据集上的表现，旨在为生oinformatics领域的研究人员提供选择ML算法和调优参数的经验性推荐。

>> 背景痛点：生信领域研究人员在选择ML算法时会感到很难决定，需要一些经验性指导。

>> 解决方案：本研究对13种ML算法(如GBT、RF、SVM等)在165个生信分类数据集上的表现进行了全面测试和参数调优，获取每个算法在每个数据集上的最佳表现，并进行比较分析。

>> 核心结果：结果显示树式boosting算法如GBT表现最佳，而朴素贝叶斯算法表现不佳。参数调优可显著提升各算法效果。算法之间在不同数据集上效果存在差异。

>> 推荐方案：给出5种算法和参数设置，可覆盖165个数据集中106个，优点是为生信研究人员提供入门选择的参考。

>> 限制与展望：结果仅针对分类问题，后期需要扩展到回归问题；结果不考虑特征处理步骤，后续可以进一步分析不同特征方法对效果的影响；结果可以进一步挖掘不同数据集属性影响算法表现的关系。

总的来说，本研究通过大量实验证明，对生信ML问题给出了经验性和数据驱动的算法选择指导，为生信研究人员提供了重要参考，在解决算法选择难题上有很好的效果。

目录

《Data-driven advice for applying machine learning to bioinformatics problems》翻译与解读

Abstract摘要

1.Introduction

2.Methods

3.Results

3.1. Algorithm Performance

Table 1. ML algorithms and hyperparameters tuned in the experiments.

Table 2. A non-exhaustive sample of datasets included in the PMLB archive that pertain to biomedical classification.

Fig. 1. Average ranking of the ML algorithms over all datasets. Error bars indicate the 95% condence interval.

Table 3. Post-hoc Friedman test of algorithm rankings across all problems. Bold values indicate p < 0:01

3.2. Effect of Tuning and Model Selection

3.3. Algorithm Coverage

Fig. 2. Heat map showing the percentage out of 165 datasets a given algorithm outperforms another algorithm in terms of best accuracy on a problem. The algorithms are ordered from top to bottom based on their overall performance on all problems. Two algorithms are considered to have the same performance on a problem if they achieved an accuracy within 1% of each other.

Fig. 3. Improvement in 10-fold CV accuracy by tuning each ML algorithm’s parameters instead of using the default parameters from scikit-learn.