通过恰当特征选择提升异常扩散分类器性能
定量方法
2023-03-07 v3 生物物理
数据分析、统计与概率
摘要
理解并识别在广泛系统（包括生命物质）中发生的不同类型单分子扩散极为重要，因其可提供粒子周围物理与化学特性的信息。近年来，为克服示踪扩散中均方位移方法的一些局限，提出的方法层出不穷。2020 年 3 月，由国际科学家团体发起的异常扩散(AnDi)挑战赛为异常扩散可用方法的客观比较提供了框架。本文介绍为应对挑战赛任务 2（即不同类型扩散的分类）而开发的一种基于特征的机器学习方法。我们讨论可用于单粒子追踪数据分类的两组属性。第一组作为我们对 AnDi 挑战赛的贡献提出。第二组是我们试图在竞赛截止后提升分类器性能的结果。采用极端梯度提升作为分类模型。尽管深度学习构成许多领域数据分类的先进技术，我们刻意选择这一传统机器学习算法因其更优的可解释性。在特征集扩展后，我们的分类器达到了 0.83 的准确率，可与基于神经网络的顶尖方法相媲美。
引用
@article{arxiv.2112.15143,
title = {Boosting the performance of anomalous diffusion classifiers with the proper choice of features},
author = {Patrycja Kowalek and Hanna Loch-Olszewska and Łukasz Łaszczuk and Jarosław Opała and Janusz Szwabiński},
journal= {arXiv preprint arXiv:2112.15143},
year = {2023}
}
备注
36 pages, 6 figures