范仕豪

摘要：本文收集生长激素结合蛋白序列信息数据集，将其分为训练集和测试集两部分。使用TF-IDF，One-hot和PCA方法提取训练集中的特征向量，构建决策树，梯度提升树，随机森林这三种预测模型，以及对这三种模型的预测性能，计算评价指标。根据特征重要性进行特征筛选，剔除掉重要性较低的特征，保留特征重要性高的特征构建预测模型，再次计算评价指标进行比较。通过比较得出，得出使用PCA方法提取特征，进行特征筛选后构建的梯度提升树预测模型性能最好，precision为0.82，recall为0.81，f1-score为0.80，accuracy为0.81。

关键词：生长激素结合蛋白;机器学习;特征筛选;TF-IDF;One-Hot;PCA;决策树;梯度提升树;随机森林

引言：随着现代人工智能技术的不断发展，机器学习作为当前人工智能的主要技术之一，不断产生突破性进展，我们可以把机器学习运用到各种领域，比如我们进出学校时的师生人脸识别系统[1]，无人驾驶汽车的上路驾驶系统[2]，家里的各种智能扫地机器人和各类智能家居，也可以精细到生物医学分子研究和医学影像，习近平总书记强调，“人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”，因此为蛋白质识别的研究带来新的可能和机遇。

本文主要讲述如何利用已有获得的生长激素结合蛋白序列信息，进行数据挖掘信息，使用不同的方法提取特征向量，再分别对根据其特征的重要性进行筛选特征，构建决策树，梯度提升树，随机森林算法构建预测模型，在测试集上进行模型评估，计算不同特征提取方法下得到的预测模型的评价指标，并对其进行比较和分析。……