Sooding Laplacian para Biopython
-
25-09-2019 - |
Pergunta
Estou tentando adicionar suporte de suavização Laplacian ao código ingênuo do Biopython do Biopython 1 Para o meu projeto de bioinformática.
Eu já li muitos documentos sobre o algoritmo de Bayes em Nive e a suavização de Laplacian e acho que tive a ideia básica, mas não consigo integrar isso com esse código (na verdade não consigo ver qual parte adicionarei um número 1 -laplaciano).
Não estou familiarizado com o Python e sou um codificador novato. Agradeço se alguém familiarizado com o Biopython pode me dar algumas sugestões.
Solução
Tente usar esta definição do _contents()
Método em vez disso:
def _contents(items, laplace=False):
# count occurrences of values
counts = {}
for item in items:
counts[item] = counts.get(item,0) + 1.0
# normalize
for k in counts:
if laplace:
counts[k] += 1.0
counts[k] /= (len(items)+len(counts))
else:
counts[k] /= len(items)
return counts
Em seguida, altere a chamada em Line 194
em:
# Estimate P(value|class,dim)
nb.p_conditional[i][j] = _contents(values, True)
usar True
para ativar a suavização e False
para desativá -lo.
Aqui está uma comparação da saída com/sem suavização:
# without
>>> carmodel.p_conditional
[[{'Red': 0.40000000000000002, 'Yellow': 0.59999999999999998},
{'SUV': 0.59999999999999998, 'Sports': 0.40000000000000002},
{'Domestic': 0.59999999999999998, 'Imported': 0.40000000000000002}],
[{'Red': 0.59999999999999998, 'Yellow': 0.40000000000000002},
{'SUV': 0.20000000000000001, 'Sports': 0.80000000000000004},
{'Domestic': 0.40000000000000002, 'Imported': 0.59999999999999998}]]
# with
>>> carmodel.p_conditional
[[{'Red': 0.42857142857142855, 'Yellow': 0.5714285714285714},
{'SUV': 0.5714285714285714, 'Sports': 0.42857142857142855},
{'Domestic': 0.5714285714285714, 'Imported': 0.42857142857142855}],
[{'Red': 0.5714285714285714, 'Yellow': 0.42857142857142855},
{'SUV': 0.2857142857142857, 'Sports': 0.7142857142857143},
{'Domestic': 0.42857142857142855, 'Imported': 0.5714285714285714}]]
Além do exposto, acho que pode haver um bug com o código:
O código divide as instâncias de acordo com a classe e, em seguida, para cada classe, e dando a cada dimensão, conta quantas vezes cada um desses valores de dimensão aparece.
O problema é se, para um subconjunto das instâncias pertencentes a uma classe, acontece que nem todos os valores de uma dimensão aparecem nesse subconjunto, então quando o _contents()
A função é chamada, não verá todos os valores possíveis e, portanto, retornará as probabilidades erradas ...
Eu acho que você precisa acompanhar todos os valores exclusivos para cada dimensão (de todo o conjunto de dados) e levar isso em consideração durante o processo de contagem.