Molekulyar biologiya fanidan tayyorlagan

2.3 SVM yordamida tasniflash

Statistik o'rganish nazariyasida mustahkam asoslarga ega bo'lgan Yordam Vektor Mashinalari (SVMs) [ 19 ] hisoblash biologiyasining ko'plab sohalarida muvaffaqiyatli qo'llanilgan. Vapnik va boshqalar tomonidan ko'rsatilganidek. [ 18 ], SVM tizimli xavfni minimallashtirish uchun optimal marjinal tasniflagichni amalga oshiradi va optimallashtirishda mahalliy minimallarning yo'qligi kabi bir nechta bog'liq hisoblash afzalliklarini taklif qiladi. Bundan tashqari, SVM [ 19 ] ning miqyosi va umumlashtirish qobiliyati uni oqsil tasnifi uchun ko'proq moslashtiradi. SVM dan foydalanish g'oyasini tasvirlash uchun biz " S A " super oilasiga tegishli konotoksin oqsillari ketma-ketligini tan olishni xohlaymiz deb faraz qilaylik." turli konotoksin superfamiliyalarining ketma-ketliklarini o'z ichiga olgan oqsillar ma'lumotlar to'plamidan "non S A ". s = ( s 1 , s 2 , ... s m ) m uzunlikdagi konotoksin oqsillari ketma-ketligini belgilaymiz , bu erda s i ∈ { A , R , N , D , C , Q , E , G , H , I , L , K , M , F ,P , S , T , W , Y , V } va r = ( r 1 , r 2 , ..., r n ) kirish xususiyati vektorini bildiradi, bu erda r i ∈ ℜ n . s ketma-ketligini " S A " yoki " S A bo'lmagan " sinfiga tasniflash ℜ n bo'shliqdan {+1, -1} gacha bo'lgan optimal xaritani topadi, bunda +1 va -1 " S A " va "no S ga to'g'ri keladi. A "sinflar, navbati bilan. ruxsat bering {(r j , q j ), j = 1, 2, ..., N } oʻquv namunalari toʻplamini bildiradi, bu yerda q j kirish xususiyati vektori uchun kerakli sinfni (“ S A “ yoki “ S A boʻlmagan ”) bildiradi. s j ketma-ketlikning r j ; N mashg'ulot ketma-ketligi sonini bildiradi. SVM avval kirishni yadro funktsiyasi bilan yuqori o'lchamli fazoga aylantiradi va keyin ularni w vazn vektori bilan chiziqli ravishda birlashtiradi.chiqishni olish uchun. Tasniflash bosqichida SVM quyidagi optimallashtirish muammosini hal qilish orqali diskriminant funksiyasini quradi: