配体生化活性预测相关性的平衡
机器学习
2021-04-07 v1
摘要
本文提出一种用于平衡预测相关性模型的技术，该模型涉及针对生物靶标的配体生化活性的监督建模。我们采用常规监督机器学习技术即支持向量机训练未校准模型。遗憾的是，SVM存在严重缺陷：它们对不平衡数据集、离群值及训练样本间的高多重共线性敏感，这可能导致偏袒某一组而非另一组。因此，可能需要额外的校准以平衡模型的预测相关性。作为此种平衡技术，我们提出Platt缩放。所得结果在从ExCAPE数据库导出的数据集上训练的单靶标模型上予以展示。不同于传统使用的机器技术，我们侧重于采用确定性求解器来降低不确定性。
引用
@article{arxiv.2104.02307,
title = {Balancing Predictive Relevance of Ligand Biochemical Activities},
author = {Marek Pecha},
journal= {arXiv preprint arXiv:2104.02307},
year = {2021}
}