|
张老师
你好。
很感谢你，从你的blog中学习到以及将要学习到很多东西。对你的奉献精神与诲人不倦的精神深表敬意。
我是来自哈尔滨医科大学的一名研究生，下面我想问一个问题，望不吝赐教。
这是一个数据挖掘中的分类问题，首先真阳性集(GSP)共446个基因，真阴性集（GSN）有3895个基因。我用到一个特征，但这个特征是无法直接用的，首先需要利用GSP 446给这个特征打一个分（称为f吧）。其实这个f指标越高，某个基因阳性的可能性越大。于是我利用这446+3895（在后面将不再提及GSN 3895，特此说明）个基因，利用这个f特征构建了决策树(C4.5)。使用10 fold cross validation进行验证。算出分类准确率acc，以及阳性的precision和recall以及F-score。这些指标都比我期望的高（简称“错指标”吧）。其实我感觉这是逻辑循环（循环论证）造成的。可是别人都不认同这是错的……
我想到的正确做法是：利用一部份的GSP(可能1/3 GSP或其他比例)去给这个特征打分f，然后利用剩下的部分构建决策树，使用10 fold cross validation进行验证计算出了分类准确率指标（简称“对指标”吧）。我认为这样的结果才是正确地评价了这个特征的分类能力。请问，我的这个想法对吗？这个方法应该称之为什么呢？
之后怎么做呢？我的目的是要对未知样本分类。这个特征通过以上证明是有很好分类能力的。我下面用于实际分类时是不是应该用所有的GSP 446构建决策树分类器呢？我想应该是吧？ 那这个利用所有GSP 446构建的决策树的准确率到底是多少呢？我觉得应该用“对指标”，这是一种保守估计，比实际偏低。
我的想法还不成熟，请老师帮我分析一下，我应该如何做？
非常感谢！能否加我qq 112493828
马
|
以下为blog主人的回复：
对你的问题还不是很清楚。这个f指标是你根据GSP算出来的，那么必然是基于某些属性找到一个计算公式。而你又提到用f来构造决策树，是只用f这个指标吗？为什么不直接用构成f的那些属性呢？在实际的项目中，基本上不会只拿一个变量来构造决策树的。
此外，你谈到准确率、精度和召回率都很高，为什么会认为是个“错指标”呢？
我的感觉是你找这个f指标的过程，有点类似于统计学中的主成分分析。如果是的话，我倒是建议你直接用主成分分析就好了。 | |
