不均衡數據集的研究及其在蛋白質相互作用位點預測中的應用.pdf

1、在生產與生活中經常出現不均衡數據集問題，尤其在許多實際的應用領域更多見，例如詐騙信用卡的檢測、信息檢索、網絡入侵檢測、醫療診斷、文本分類及生物信息檢測等，其中更為重要的是少數類樣本的預測。傳統分類算法一般對均衡數據集具有較好的分類效果，其評價標準主要是基于精度的，而在不平衡數據集上分類效果不好，經常把少數類樣本誤分為大類，不能達到分類的目的。然而在不平衡數據集中，數量較小的少數類的識別率往往具有更大的意義。在不平衡數據集中，小類樣本的分

2、布比較松散，而且大量大類樣本經常包圍小類樣本，這是小類樣本的的學習面臨的重大挑戰之一。所以在不均衡數據集的分類問題的研究上，迫切需要新的分類方法和判別準則的出現。由于不平衡數據集在實際應用中經常碰到，它對傳統的分類方法構成了巨大的挑戰，如何有效地處理不平衡數據集引起了人們的關注。不均衡數據集分類也成了機器學習領域和數據挖掘的又一新的研究熱點，同時也引起了模式識別、數據挖掘方面專家的研究興趣。近年來，在ACM、IEEE、機器學習、模式識別

3、及數據挖掘等一些相關的學術會議上，都有關于不均衡數據集的相關專題討論。
　　 針對下抽樣的方法的不足，本文提出了一種基于K-means聚類的改進算法。為了保證整體性能的同時來提高小類樣本的分類的準確率，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抽樣技術相結合方法對大類樣本進行抽樣，提出了一種基于K-means聚類的下抽樣的方法，通過在UCI數據集上的實驗驗證其有效性。并將其應用于蛋白質相互作用位點的預測，

4、有效的解決了蛋白質相互作用預測中存在的樣本類別不均衡的問題，從而提高了蛋白質相互作用位點的識別率。
　　 總的來說，本文的主要研究內容如下：
　　 1．概述了不均衡數據集研究和集成學習研究的現狀、目的與意義。主要簡述了不均衡數據集分類面臨的問題及解決策略、集成學習的實現方法及應用成果。
　　 2．為了保證整體性能的同時來提高小類樣本分類的準確率，并盡量防止含有重要信息的大類樣本的丟失，引入了一種無監督的學習方法，

5、提出了一種基于K-means聚類的下抽樣的方法。在UCI數據集上的實驗結果表明，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別率和保證整體的分類性能，該方法也可以解決現實生活中不均衡數據集分類問題。
　　 3．簡述了蛋白質相互作用位點研究的現狀與意義，為了進一步提高蛋白質相互作用位點的預測精度，本文提出了一種基于構造性神經網絡集成的蛋白質相互作用位點預測的方法，以蛋白質序列譜和可及表面積為特征向量，采用

6、窗口大小為11進行蛋白質相互作用位點的預測，和傳統的SVM和覆蓋算法相比，該方法的整體預測性能較好，說明了基于覆蓋的集成學習算法在蛋白質相互作用位點預測的正確性和有效性。
　　 4．針對蛋白質相互作用位點的數據集中存在的樣本類別不均衡現象，分析它對蛋白質相互作用位點預測造成的影響。為了進一步提高界面殘基的識別率，我們將基于K-means聚類的下抽樣方法應用到蛋白質相互作用位點的預測中，通過該方法獲得均衡的蛋白質數據集，實驗結果表