《表2 自适应阈值算法性能与固定阈值算法性能比较 (单位:%)》

  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PU-learning的磷酸激酶预测算法》

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

图4～图6的X坐标轴表示所有已知的磷酸激酶组，共212种激酶，每个栅格表示一种激酶。由于显示限制，不能展示所有激酶，故在坐标上每6个激酶显示1个。Y轴长度表示对应的预测性能值，图4～图6中各方法Y轴平均长度及方差对比值见表3。图4～图6展示了5折交叉验证获得的敏感度、特异度及准确率比较。由图可知，SLK在磷酸激酶数据中预测性能高于现有所有算法。比如，SLK算法灵敏度在所有数据上的均值为72.57%，高于HeteSim-S（72.25%）、S-DTW（71.80%）、NetworKIN（65.33%）等。并且SLK算法灵敏度的方差为0.066，优于大多数已知算法（除PFP和PhosphoPICK）；此外，SLK算法特异度、准确率均值分别为81.20%和79.52%，均显著优于绝大多数算法。比如，SLK算法准确度比S-DTW高近11.5%，虽然S-DTW算法的特异性略高于SLK。另外，SLK算法整体非常稳定，而其它算法在不同数据上差异很大。比如，虽然PhosphoPICK和PFP算法平均性能略高于SLK算法，但其在不同数据集上表现差异很大，见表3。