《表2 两种模型的分类性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多输入神经网络的药物组合协同作用预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

我们采用准确率（accuracy，ACC）、查准率（precision，PREC）、受试者工作特征（receiver operating characteristic，ROC）曲线下的面积（area under curve，AUC)(ROC AUC）、PR(precision-recall）曲线下的面积（PR AUC）、Kappa系数（Cohen’s Kappa）、F1分数（F1 score，F1）来衡量模型的分类性能。准确率常用来判断分类器分类结果的好坏。受试者工作特征曲线下的面积、PR曲线下的面积常用来衡量分类器的泛化能力。Kappa系数用于一致性检验，也可以用于衡量分类精度。查准率是针对模型预测结果而言的，表示的是预测为正的样例中真正的正样例的比率。F1分数是统计学中用来衡量二分类模型精确度的一种指标，同时兼顾了分类模型的精确率和召回率。由于训练数据中存在大量的非协同非拮抗药物组合（协同值在0左右），因此，选择一个适当的阈值来将预测的协同作用值进行二值化是很重要的。我们将二分类阈值设置为30，协同作用值高于30的药物组合被认为是正类，低于30的药物组合被认为是拮抗的和低协同的，这点与DeepSynergy模型相同。表2展示了两种模型在测试集上的分类性能对比。