《表2 参数调整后的XGBoost模型的识别结果》

  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XGBoost的RNA修饰位点的识别》

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

为了应对这一挑战，针对性地选取一些核心参数，将对模型性能影响不大的参数剔除。据此，在通用参数中选取booster、learning＿rate、max＿depth、min＿child＿weight、subsample、colsample＿bytree、gamma、lambda和alpha这8个参数，在学习任务参数中选取objective参数，在命令行参数中选取num＿round参数。其中：max＿depth和min＿child＿weight对决策树的构建起约束作用；subsample和colsample＿bytree均是关于采样的参数；lambda和alpha均是正则项。为了进一步减少运算量，采用组合分批网格搜索的策略，即将具有相同作用的参数组合在一起，对组合进行网格搜索，将最优组合与其他参数组合在一起，再进行网格搜索。调参后的XG-Boost模型在jackknife测试下的识别结果如表2所示。从表2可看出，m6 A修饰位点的识别准确率从88.1%提升到了92.6%，m5C修饰位点的识别准确率从88.2%提升到了89.6%，虽然m1 A修饰位点的识别准确率并未得到提升，但在此之前已经达到了99.9%这样一个非常理想的水平。