《表6 Deep Micro预测模型的运行时间测试结果(单位：秒)》

  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

《基于机器学习的肠道菌群数据建模与分析研究综述》

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

除了上述的单独采用深度学习进行疾病预测建模之外，还有研究人员提出将传统机器学习与深度学习相结合共同构建疾病预测模型。如Oh等[28]提出的Deep Micro方法（图3D），该方法通过浅层自编码器、深层自编码器、变分自编码器和卷积自编码器来处理微生物菌群的宏基因组数据，将高维数据转化为高鲁棒的低维数据，再将处理好的数据交由其他机器学习的算法（如SVM、RF、MLP）进行疾病预测建模。该方法将深度学习算法在发掘深层特征上的优势和传统机器学习算法在解决二分类问题上的优势相结合，增加了数据的特征，从而使得模型泛化能力提高；该模型在炎症性肠病、欧洲和中国人群的2型糖尿病、肝硬化和肥胖症这5个数据集上进行实验，结果（表5）表明以这种结合方式建模在预测性能上均优于单独的算法建模；此外，作者还对Deep Micro构建的模型与未使用Deep Micro构建的模型在运行效率上进行了比较，根据实验结果（表6），基于Deep Micro构建的模型在运算速率上快5-30倍[28]。