用于共现网络推断算法训练与测试的交叉验证方法
机器学习
2023-09-28 v1 定量方法
摘要
微生物几乎存在于所有环境中,包括土壤、水、空气以及其他生物(如动物和植物)体内。虽然部分微生物引发疾病,但大多数有助于分解、发酵和养分循环等生物过程。大量研究致力于考察不同环境中的微生物群落,以及它们的相互作用与关系如何为各种疾病提供见解。共现网络推断算法帮助我们理解微生物尤其是细菌的复杂关联。现有网络推断算法采用相关性、正则化线性回归和条件依赖等技术,它们具有不同的超参数来决定网络的稀疏性。先前评估推断网络质量的方法包括使用外部数据以及跨子样本的网络一致性,二者均有若干局限其在实际微生物组组成数据集中适用性的缺陷。我们提出一种新颖的交叉验证方法来评估共现网络推断算法,以及将现有算法应用于测试数据预测的新方法。我们的实证研究表明,所提方法有助于超参数选择(训练)和比较不同算法间推断网络的质量(测试)。
引用
@article{arxiv.2309.15225,
title = {Cross-Validation for Training and Testing Co-occurrence Network Inference Algorithms},
author = {Daniel Agyapong and Jeffrey Ryan Propster and Jane Marks and Toby Dylan Hocking},
journal= {arXiv preprint arXiv:2309.15225},
year = {2023}
}