隨機森林算法在生物信息學中的應(yīng)用研究

馮潔

摘要：在生物信息學的研究過程當中，經(jīng)常會遇到二分類的問題。例如RNA甲基化預測、蛋白質(zhì)相互作用預測、蛋白質(zhì)中二硫鍵的預測等都屬于二分類問題。要解決二分類問題，目前在機器學習中提到了很多算法。比較常用的有支持向量機（sVM）和隨機森林（RF）算法。文章在研究一般RF算法的同時，進一步討論了集成RF算法對于處理非平衡數(shù)據(jù)起到的突出作用，最后分析總結(jié)了一般隨機森林算法和集成隨機森林算法的優(yōu)缺點。

關(guān)鍵詞：生物信息學；二分類；隨機森林；集成隨機森林；非平衡數(shù)據(jù)

中圖分類號：TP311

文獻標識碼：A

文章編號：1009-3044（2017）10-0186-02

隨著后基因組時代的到來，高通量測序技術(shù)的運用，使得基因數(shù)據(jù)庫和蛋白質(zhì)數(shù)據(jù)庫中累加了巨量的新測定的序列，而通過傳統(tǒng)的實驗手段去剖析它們的結(jié)構(gòu)、功能以及遺傳信息就顯得十分的耗時和費力。因此人們就寄希望于通過計算機的手段去分析這些序列的相關(guān)信息。在此基礎(chǔ)上，人們開發(fā)了很多有針對性的計算機算法模型去預測相關(guān)信息，而建立這些模型的基礎(chǔ)算法有KNN、SVM以及RF等等。在本文當中我們主要討論RF算法在生物信息學當中的應(yīng)用。

1.一般隨機森林算法

由于數(shù)據(jù)集當中的樣本數(shù)都比較大、噪音比較多，導致單一的分類器構(gòu)建的預測模型的預測分類效果不好，因此為了提高預測分類結(jié)果，現(xiàn)在大多數(shù)情況下都采用分類器集成（En-semble）的方式來構(gòu)建預測模型。隨機森林就是一種集成的分類器。……