开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何在Weka中保存特征选择的结果？

在Weka中保存特征选择的结果可以通过以下步骤实现：

首先，使用Weka加载数据集。可以通过点击Weka的"Explorer"界面中的"Open file"按钮，选择要加载的数据集文件。
在加载数据集后，选择要使用的特征选择算法。Weka提供了多种特征选择算法，如信息增益、卡方检验、一致性子集等。可以通过点击Weka的"Preprocess"选项卡，然后选择"Attribute selection"子选项卡来访问这些算法。
在特征选择算法的选项卡中，选择要使用的算法，并设置相应的参数。不同的算法可能有不同的参数设置，可以根据具体需求进行调整。
运行特征选择算法。点击特征选择算法选项卡中的"Start"按钮，Weka将根据选定的算法和参数对数据集进行特征选择。
特征选择完成后，可以将结果保存到文件中。点击Weka界面中的"Save"按钮，选择保存的文件路径和文件名，然后点击"Save"按钮即可将特征选择结果保存为一个ARFF文件。

需要注意的是，特征选择的结果是一个新的数据集，其中只包含被选择的特征。保存的ARFF文件可以在后续的数据分析和建模过程中使用。

推荐的腾讯云相关产品：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）

以上是关于如何在Weka中保存特征选择结果的步骤和推荐的腾讯云产品。希望对您有帮助！

相关搜索:gridsearchcv中的refit选项会重新选择特征吗？python中的ANOVA特征选择 R:相似性传播中的特征选择 SVM分类中的特征选择--怪异行为 Weka:如何以稀疏的形式保存特征？WEKA中的预测结果意味着什么？在weka的KNN中解释分类器输出参数，如-K，-W，-A 套索特征选择结果和最佳特征的选择如何在selenium python中保存whatsapp中的站点数据(如cookie)如何在sklearn管道中同时使用SMOTE和特征选择？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

ML Mastery 博客文章翻译（二）20220116 更新

Machine Learning Mastery 计算机视觉教程通道在前和通道在后图像格式的温和介绍深度学习在计算机视觉中的 9 个应用为 CNN 准备和扩充图像数据的最佳实践 8 本计算机视觉入门书籍卷积层在深度学习神经网络中是如何工作的？ DeepLearningAI 卷积神经网络课程（复习）如何在 Keras 中配置图像数据扩充如何从零开始为 CIFAR-10 照片分类开发 CNN 用于 Fashion-MNIST 服装分类的深度学习 CNN 如何为 MNIST 手写数字分类开发 CNN

03

Weka机器学习使用介绍（数据+算法+实战）

Weka是怀卡托智能分析环境(Waikato Environment for Knowledge Analysis)的英文字首缩写，新西兰怀卡托大学用Java开发的数据挖掘著名开源软件。功能有数据处理、特征选择、分类、回归、可视化等，支持多种数据文件格式，如arff、xrff、csv等，主流的数据格式是csv和arff。

04

特征选择（Feature Selection）引言

您应该采纳哪种特征去创建一个可预测的模型呢？

06

如何在机器学习竞赛中更胜一筹？

机器学习很复杂。你可能会遇到一个令你无从下手的数据集，特别是当你处于机器学习的初期。在这篇文章中，你将学到一些基本的关于建立机器学习模型的技巧，大多数人都从中获得经验。这些技巧由Marios Mic

07

Weka机器学习平台的迷你课程

机器学习是个非常吸引人的研究领域，但是您怎么把它真正地应用到您自己的问题上呢？

06

如何在Weka中加载CSV机器学习数据

原文地址：https://machinelearningmastery.com/load-csv-machine-learning-data-weka/

数据挖掘工具R软件与Weka的比较分析

作为数据挖掘常用的两个工具软件，R软件和weka软件各有千秋，本文对这两种数据挖掘软件进行了比较与分析。 R软件介绍 R是统计领域广泛使用的一款软件，是一个开放的统计分析和图形显示的程序设计环境，它与S编程语言相似。 R 可以看作是贝尔实验室（Bell Laboratories）的Rick Becker，John Chambers和Allan Wilks开发的S语言的一种实现。S语言是一种用来进行数据探索、统计分析、作图的解释型语言。最初S语言的实现版本主要是S-PLUS。S-PLUS是一个商业软

09

拖拽式机器学习的爱与恨

拖拽式机器学习是一种通过图形界面拖拽组件完成机器学习任务的方法，具有易学易用等特点，适合非技术背景人员使用。但拖拽式机器学习也存在一些缺点，如不能完全实现自动化、需要人工选择特征和参数等。

06

维度规约（降维）算法在WEKA中应用

主成分分析（PCA）是一种统计算法，用于将一组可能相关的变量转换为一组称为主成分的变量的不相关线性重组。简而言之，主要组成部分，ÿ，是我们数据集中变量的线性组合， X，那里的权重， ËĴŤ是从我们的数据集的协方差或相关矩阵的特征向量导出的。

02

为 Java 开发者量身定制的五款机器学习库

编者按：机器学习是目前最炙手可热的技术之一，各大公司都在积极招聘相关的编程人才，来填补机器学习和深度学习代码编写的空缺。诚然，根据相关的招聘统计数据，Python 语言目前已经超越 Java 成为雇主最亟须的机器学习编程技能。但事实上，Java 在项目开发中仍然发挥着不可替代的作用，并且许多流行的机器学习框架本身就是由 Java 写成的。鉴于此前有关 Python 的参考资料已经很多，而鲜见 Java 的，因此，今天我们在这里推荐五个业内顶尖的 Java 机器学习库。原文载于 jaxenter.com

数据分享|WEKA信贷违约预测报告：用决策树、随机森林、支持向量机SVM、朴素贝叶斯、逻辑回归|附代码数据

数据变得越来越重要，其核心应用“预测”也成为互联网行业以及产业变革的重要力量。近年来网络 P2P借贷发展形势迅猛，一方面普通用户可以更加灵活、便快捷地获得中小额度的贷款，另一方面由于相当多数量用户出现违约问题而给 P2P信贷平台以及借贷双方带来诸多纠纷，因此根据用户历史款情况准确预测潜在是否还会发生违约就非常有必要。

00

支持中文文本数据挖掘的开源项目PyMining

最近一个月，过年的时候天天在家里呆着，年后公司的事情也不断，有一段时间没有更新博客了。PyMining是我最近一段时间构思的一个项目，虽然目前看来比较微型。该项目主要是针对中文文本的数据挖掘算法的实验与应用。从项目的目标来说，希望使用者可以很方便的使用现有的数据挖掘、机器学习算法与添加需要的算法。项目概述项目目前主要关注中文文本的数据挖掘算法。由于每种数据挖掘算法的局限性都很大，就拿分类算法一样，决策树、朴素贝叶斯这两种算法都有着自己的特性，只能在某一种类型的类型的数据上应用比较良好，比如朴素贝叶斯，

06

盘点：为 Java 开发者量身定制的五款机器学习库

编者按：机器学习是目前最炙手可热的技术之一，各大公司都在积极招聘相关的编程人才，来填补机器学习和深度学习代码编写的空缺。诚然，根据相关的招聘统计数据，Python 语言目前已经超越 Java 成为雇主最亟须的机器学习编程技能。但事实上，Java 在项目开发中仍然发挥着不可替代的作用，并且许多流行的机器学习框架本身就是由 Java 写成的。鉴于此前有关 Python 的参考资料已经很多，而鲜见 Java；因此，今天我们在这里推荐五个业内顶尖的 Java 机器学习库。原文载于 jaxenter.com 网站，A

10 种最流行的 Web 挖掘工具

互联网有数不清的网页，且不断在以指数级速度产生新内容。到 2022 年，整个互联网创建和复制的数据将达到 44 ZB，也就是 44 万亿 GB。这么大体量内容的背后也带来了丰富信息源，唯一的问题是怎么在这浩如烟海的信息中检索到你想要的信息并带来价值。

02

【全自动机器学习】ML 工程师屠龙利器，一键接收训练好的模型

【新智元导读】机器学习系统有大量的超参数，在应用中需要依赖领域专家知识，并且有繁重的人工调参任务。现在，有一项工作希望让这些过程自动化，只需一个按钮，就能让你得到训练好的模型，这就是“自动机器学习”（autoML）。而自动机器学习的两大工具，Auto-weka 有可视化界面，只需轻点鼠标就能完成训练工作，auto-sklearn 也仅需数行代码便可构建可用的模型。操作如此简单，还不用担心训练后的模型不 work，是不是很值得上手试验一番？某日出差，在出租上闲来无事和司机闲聊，告知其本人专业是人工智能，司机

07

最佳机器学习入门级资源

这是一篇非常难写的文章，同时我希望这篇文章对于入门学习的朋友是真正有价值、有帮助的。

影像组学初学者指南

影像组学是放射学领域的一个相对较新的词，意思是从医学图像中提取大量的定量特征。人工智能（AI）大体上被定义为一组先进的计算算法，可以对所提供的数据模式进行学习，以便对未知的数据集进行预测。由于与传统的统计方法相比，人工智能具有更好的处理海量数据的能力，因此可以将影像组学方法与人工智能结合起来。总之，这些领域的主要目的是提取和分析尽可能多和有意义的深层定量特征数据，以用于决策支持。如今，影像组学和人工智能都因其在各种放射学任务中取得的显著成功而备受关注，由于担心被人工智能机器取代，大多数放射科医生对此感到焦虑。考虑到计算能力和大数据集可用性的不断发展进步，未来临床实践中人与机器的结合似乎是不可避免的。因此，不管他们的感受如何，放射科医生都应该熟悉这些概念。我们在本文中的目标有三个方面：第一，让放射科医生熟悉影像组学和人工智能；第二，鼓励放射科医生参与这些不断发展的领域；第三，为未来方法的设计和评估提供一套良好实践建议。本文发表在Diagnostic and Interventional Radiology杂志。

02

LightGBM中的特征选择与重要性评估

在机器学习任务中，特征选择是提高模型性能和减少过拟合的重要步骤之一。LightGBM作为一种高效的梯度提升决策树算法，提供了内置的特征重要性评估功能，帮助用户选择最重要的特征进行模型训练。本教程将详细介绍如何在Python中使用LightGBM进行特征选择与重要性评估，并提供相应的代码示例。

01

如何下载安装Weka机器学习工作平台

Weka机器学习工作平台是一个功能强大且易于使用的预测建模平台。在这篇文章中，你将发现如何在你的工作站上快速安装Weka，并开始学习机器学习。看完这篇文章后，你会知道：如何为Windows

05

LightGBM高级教程：高级特征工程

特征工程是机器学习中至关重要的一部分，它直接影响到模型的性能和泛化能力。在LightGBM中进行高级特征工程可以进一步提高模型的效果。本教程将详细介绍如何在Python中使用LightGBM进行高级特征工程，并提供相应的代码示例。

01

【sklearn | 4】深度教程：模型部署与优化

模型部署是将机器学习模型集成到生产环境中，使其能够处理实时数据和提供预测结果的过程。sklearn 模型可以通过多种方式进行部署，如使用 Flask 构建 API 或者在云平台上部署。

02

超全！基于Java的机器学习项目、环境、库...

原文标题：Java Machine Learning 作者：Jason Brownlee 翻译：杨金鸿校对：丁楠雅本文长度为3000字，建议阅读8分钟本文介绍了主要的平台和开放源码的Java机器学习库。你是一名希望开始或者正在学习机器学习的Java程序员吗？利用机器学习编写程序是最佳的学习方式。你可以从头开始编写算法，但是利用现有的开源库，你可以取得更大的进步。本文介绍了主要的平台和开放源码的机器学习库。你可以使用这些机器学习库。环境本节描述了用于机器学习的Java环境或工作域。它们提供

06

用于入门的最佳机器学习资源

这是一个非常难写的文章，因为我希望它是真正有价值的。

机器学习系列（二）决策树（Decision Tree）

一、算法概述二、决策树的构建过程三、常用指标四、决策树停止分裂的条件五、决策树算法六、决策树的剪枝七、梯度提升决策树（GBDT）八、实现方法

03

随机森林不可思议的有效性

对于机器学习从业者而言，有自己最喜欢的算法是很常见的。可能这有点不太合乎常理，因为没有一个算法能够完全地主导所有的应用，而且机器学习算法的性能很大程度上依赖于应用程序和数据集的维度。甚至对于一个给定的问题和数据集，由不同算法训练而得到的一个组合模型往往会优于单个模型。尽管如此，人们还是有自己最喜欢的算法。有些人喜欢SVM，因为它们有着优美的公式或者是可直接使用的高质量算法实现；也有些人喜欢决策规则，因为它们的简单性和可解释性；还有些人则因为神经网络的灵活性而痴迷于它。我所喜欢的算法就是（你可能已经猜到了）

06

随机森林不可思议的有效性

对于机器学习从业者而言，有自己最喜欢的算法是很常见的。可能这有点不太合乎常理，因为没有一个算法能够完全地主导所有的应用，而且机器学习算法的性能很大程度上依赖于应用程序和数据集的维度。甚至对于一个给定的问题和数据集，由不同算法训练而得到的一个组合模型往往会优于单个模型。尽管如此，人们还是有自己最喜欢的算法。有些人喜欢SVM，因为它们有着优美的公式或者是可直接使用的高质量算法实现；也有些人喜欢决策规则，因为它们的简单性和可解释性；还有些人则因为神经网络的灵活性而痴迷于它。我所喜欢的算法就是（你可能已经猜到了）

05

特征工程方法综述

根据文章内容撰写摘要总结

02

将SHAP用于特征选择和超参数调优

特征选择和超参数调整是每个机器学习任务中的两个重要步骤。大多数情况下，它们有助于提高性能，但缺点是时间成本高。参数组合越多，或者选择过程越准确，持续时间越长。这是我们实际上无法克服的物理限制。我们能做的是充分利用我们的管道。我们面临着不同的可能性，最方便的两个是：

03

【技术分享】特征工程方法综述

随着我们底层特征库中特征数目的不断增长，如何组合特征，如何针对不同场景选择适合的特征，如何评估特征优劣？这些问题已经日益凸显，所以这次想梳理现有的特征工程方法，并将通用的模块抽象成工具，封装到神盾离线计算平台。

05

数据科学家成长指南(下)

本文是数据科学家学习路径的的完结篇，算上《数据科学家成长指南（上）》和《数据科学家成长指南（中）》，总篇幅应该五万字多一点。今天更新数据获取、数据清洗、工具三条线路的内容，文字较少。

02

Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLA

—在VO或VSLAM系统中保持性能（精确度和鲁棒性）和效率（延迟）的取舍是一个重要的课题。基于特征的系统展现了良好的性能，但由于显式的数据关联有更高的时延；直接和半直接系统低时延，但在一些场景不适用，比基于特征的系统精度低。本论文旨在为基于特征的视觉SLAM提高性能效率，提出了一个主动的地图到图像帧的特征匹配算法：特征匹配和一个需要评分的子矩阵选择联系起来，经过仿真，用Max-logDet矩阵评分有最好的表现。对于实时的适用性，调研了线性时间选择（deterministic selection）和随机加速（randomized acceleration）的组合。本文提出的算法用于了基于特征点的单目和双目SLAM系统。在多个数据集的表现可量化地表明不降低鲁棒性前提下可减少时延。

01

2020年用于机器学习的5大编程语言及其库

如果你是机器学习的新手，你可能会想我应该学什么编程语言?不同的人使用不同的编程语言，但在这些流行的高级编程语言中，哪一种最适合机器学习? 机器学习是技术领域发展最快的领域之一，其发展速度呈指数级增长。

01

IJCAI 2018 广告算法大赛落下帷幕，Top 3 方案出炉

雷锋网 AI 研习社消息，IJCAI-18 阿里妈妈搜索广告转化预测比赛近日落下帷幕，本次比赛为阿里妈妈与 IJCAI2018、天池平台联合举办，总奖池 37000 美元，共吸引到 5204 支队伍参赛。

03

美团网内部分享：机器学习中的数据清洗与特征处理实践

摘要：本文主要介绍在美团的推荐与个性化团队实践中的数据清洗与特征挖掘方法。文章以点击下单率预测为例，结合实例来介绍如何进行数据清洗和特征处理。目前在美团的团购系统中大量地应用到了机器学习和数据挖掘技

03

TensorFlow系列专题（二）：机器学习基础

数据预处理的方式较多，针对不同类型的数据，预处理的方式和内容也不尽相同，这里我们简单介绍几种较为常用的方式：

04

十大你不可忽视的机器学习项目

前言：那些流行的机器学习项目之所以受欢迎，一般是因为其提供了一种多数人需要的服务，或是因为它们是第一个（也许是最好的）针对特定用户提供服务的。那些最流行的项目包括Scikit-learn、TensorFlow、 Theano、MXNet 、Weka 等。根据个人使用的工作系统、深度学习目标不同，不同的人认为流行的项目可能会有些许差异。然而，这些项目共有的特性是它们都面向大量的用户提供服务。但是仍然存在很多小型的机器学习项目：pipelines、wrappers、high-level APIs、cleaner

08

数据科学特征选择方法入门

让我们从定义特征开始。特征是数据集中的X变量，通常由列定义。现在很多数据集都有100多个特征，可以让数据分析师进行分类!正常情况下，这是一个荒谬的处理量，这就是特征选择方法派上用场的地方。它们允许您在不牺牲预测能力的情况下减少模型中包含的特征的数量。冗余或不相关的特征实际上会对模型性能产生负面影响，因此有必要(且有帮助)删除它们。想象一下，通过制造一架纸飞机来学习骑自行车。我怀疑你第一次骑车会走的远。

03

粒子群优化算法(PSO)之基于离散化的特征选择(FS)（一）

前言：在机器学习中，离散化(Discretization)和特征选择(Feature Selection,FS)是预处理数据的重要技术，提高了算法在高维数据上的性能。由于许多FS方法需要离散数据，所以通常的做法是在FS之前对数据进行离散化。此外，为了提高效率，特征通常单独（或单变量）离散。这种方案的原理是基于假定每个特征都是独立的，但是当特征之间存在交互时，这种方案可能不成立。因此，单变量离散化可能会降低FS的性能，因为在离散化过程中可能会因为特征之间存在交互而丢失部分信息。在生物信息学、基因组学、图像处

05

从机器学习开始的4个步骤：初学者开始和实践的自上而下的策略

在这篇文章中，我向你展示了采用自顶向下的策略来入门应用机器学习的方法。我可以看到这个方法分为四个步骤。你应该对这些步骤他们感到熟悉，因为它可能跟你用来学习编程的自上而下的方法相同，亦即，掌握基础知识，大量练习，然后在你找到感觉、进入状态后再深入细节。

05

这10个小工具将引爆机器学习DIY潮流

机器学习十大不可忽视项目前言：那些流行的机器学习项目之所以受欢迎，一般是因为其提供了一种多数人需要的服务，或是因为它们是第一个（也许是最好的）针对特定用户提供服务的。那些最流行的项目包括Scikit-learn、TensorFlow、 Theano、MXNet 、Weka 等。根据个人使用的工作系统、深度学习目标不同，不同的人认为流行的项目可能会有些许差异。然而，这些项目共有的特性是它们都面向大量的用户提供服务。但是仍然存在很多小型的机器学习项目：pipelines、wrappers、high-level

07

一个完整的机器学习项目在Python中的演练（二）

编译 | 磐石出品 | 磐创AI技术团队【磐创AI导读】：本文主要介绍了本系列的第三项特征工程与特征选择。欢迎大家点击上方蓝字关注我们的公众号：磐创AI。（本系列第一篇：点击查看）大家往往会选择一本数据科学相关书籍或者完成一门在线课程来学习和掌握机器学习。但是，实际情况往往是，学完之后反而并不清楚这些技术怎样才能被用在实际的项目流程中。就像你的脑海中已经有了一块块”拼图“（机器学习技术），你却不知道如何讲他们拼起来应用在实际的项目中。如果你也遇见过同样的问题，那么这篇文章应该是你想要的。本系列文章将介

07

【干货】开发者如何掌握机器学习？传统方法可能都走了弯路

【新智元导读】作为一名开发者，怎么才能加入时下正火热的机器学习？本文作者Jason认为，传统的方法，包括从经典图书、博客文章或线上课程进行学习成效不大，甚至“错得离谱”。最好的方法其实是动手，不要停留在理论层面，动手实践才能高效的学习。在文章中，作者给出了自己的建议，特别强调机器学习实践过程中的细节，此外，他还推荐了一些可用的机器学习训练平台及数据库。这篇文章要回答的问题是“我该如何开始机器学习”？ “我是一个开发者。我读了一些关于机器学习的文章和书，也在Coursera上学习了机器学习课程。但我仍不知道

ML Mastery 博客文章翻译 20220116 更新

Machine Learning Mastery 机器学习算法教程机器学习算法之旅利用隔离森林和核密度估计的异常检测机器学习中的装袋和随机森林集成算法从零开始实现机器学习算法的好处更好的朴素贝叶斯：从朴素贝叶斯算法中收益最大的 12 个技巧机器学习的提升和 AdaBoost 选择机器学习算法：Microsoft Azure 的经验教训机器学习的分类和回归树什么是机器学习中的混淆矩阵如何使用 Python 从零开始创建算法测试工具通过创建机器学习算法的目标列表来获得控制权机器学习中算法

03

探索XGBoost：自动化机器学习（AutoML）

自动化机器学习（AutoML）是一种通过自动化流程来构建、训练和部署机器学习模型的方法。XGBoost作为一种强大的机器学习算法，也可以用于AutoML。本教程将介绍如何在Python中使用XGBoost进行自动化机器学习，包括数据预处理、特征工程、模型选择和超参数调优等，并提供相应的代码示例。

01

做股票数据挖掘的一些日志

首先说说数据挖掘吧，接触这东西也是机缘巧合，上学期听说ZYN学姐在做科创，于是问了问具体情况，她说跟数据挖掘有关，这词我还是第一次听说，听起来很高级啊，我看了些资料，觉得非常感兴趣，于是就阴差阳错地加入了，还拉了BM和BAQ同学入伙。于是悲剧就开始上演了，我们小组组成以后才发现，原来大家都不懂，什么叫数据挖掘？于是项目没法成立，因为连挖啥都不知道。于是我们先找了老师问，各种找，找了各种老师，得到了各种资料，什么挖文本的，挖银行的，挖教育的，就差没挖坟了。后面经过大家讨论，决定做股票的，一个是因为股

05

手把手教你用 Python 实现针对时间序列预测的特征选择

AI 研习社按：本文源自美国机器学习专家 Jason Brownlee 的博客，AI 研习社编译。要将机器学习算法应用于时间序列数据，需要特征工程的帮助。例如，单变量的时间序列数据集由一系列观察结果组成，它们必须被转换成输入和输出特征，才能用于监督性学习算法。但这里有一个问题：针对每个时间序列问题，你可以处理的特征类型和数量，却并没有明确的限制。当然，古典的时间序列分析工具（如相关图correlogram）可以帮助评估滞后变量（lag variables），但并不能直接帮助开发者对其他类型的特征进

08

（数据科学学习手札25）sklearn中的特征选择相关功能

一、简介　　在现实的机器学习任务中，自变量往往数量众多，且类型可能由连续型（continuou）和离散型（discrete）混杂组成，因此出于节约计算成本、精简模型、增强模型的泛化性能等角度考虑，我们常常需要对原始变量进行一系列的预处理及筛选，剔除掉冗杂无用的成分，得到较为满意的训练集，才会继续我们的学习任务，这就是我们常说的特征选取（feature selection）。本篇就将对常见的特征选择方法的思想及Python的实现进行介绍；二、方法综述 2.1 去除方差较小的变量这种方法针对离散型变量进

09

Nat. Commun. | 抗体体细胞突变的机器学习分析预测免疫球蛋白轻链毒性

今天向大家介绍由瑞士贝林佐纳，生物医学研究所的Maura Garofalo等人于2021年6月10日发表在《Nature Communications》上的一篇名为“Machine learning analyses of antibody somatic mutations predict immunoglobulin light chain toxicity”的一篇论文。在系统性轻链淀粉样变性 (AL) 中，致病性单克隆免疫球蛋白轻链(LC)在靶器官中形成毒性聚集物和淀粉样原纤维。及时诊断对于避免永久性器官损伤至关重要，但由于症状通常仅在器官严重损伤后才会出现，导致延迟诊断的情况时常发生。在这项工作中，作者提出了LICTOR，一种基于克隆选择过程中获得的体细胞突变分布来预测免疫球蛋白中轻链毒性的机器学习方法。LICTOR的特异性和灵敏度分别为0.82和0.76，受试者工作特征曲线下的面积(AUC)为0.87。同时，作者也在一组独立的12个具有已知临床表型的轻链序列上进行测试，LICTOR取得了83%的预测准确率。此外，可以通过硅还原LICTOR发现的两个生殖细胞特异性体细胞突变，并通过实验评估秀丽隐杆线虫模型体内毒性的损失来消除轻链(LC)的毒性表型。因此，作者指出，所提出的LICTOR方法是诊断AL和降低AL高死亡率的一种有前途的策略。

04

常见面试算法：决策树、随机森林和AdaBoost

决策树（Decision Tree）算法是一种基本的分类与回归方法，是最经常使用的数据挖掘算法之一。我们这章节只讨论用于分类的决策树。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭