不匹配字符串内核的Python3实现
mismatch-string-kernel的Python项目详细描述
字符串内核不匹配
以下出版物中描述的不匹配内核的简单Python3实现：
%0 Journal Article
%T Mismatch string kernels for discriminative protein classification
%A Leslie, Christina S
%A Eskin, Eleazar
%A Cohen, Adiel
%A Weston, Jason
%A Noble, William Stafford
%J Bioinformatics
%V 20
%N 4
%P 467-476
%@ 1460-2059
%D 2004
%I Oxford University Press
%U https://doi.org/10.1093/bioinformatics/btg431
使用
要了解这个内核的技术细节，请参阅上面的文章。在
初始化内核
首先，你必须定义一个字母表，从中生成k-mers， k-mers的长度k和m-mer之间最大不匹配数，例如：
^{pr2}$然后，可以使用以下参数创建MismatchKernel对象：
frommismatch_kernelimportMismatchKernelmk=MismatchKernel(ALPHABET,k,m)
将字符串映射到（k-m）特征空间
您可以使用vectorize(x)函数将字符串x映射到（k-m）特性空间。在
请注意，字母表通常区分大小写，因此如果您的字符串需要
区分大小写（即“字符串”！=“StRiNg”），您的字母表应同时包含两个大写字母
和小写字母。而且这将大大增加计算时间，因为
k-mer功能空间具有维度#（字母表）^k；如果需要，也可以这样做
区分标点符号，例如在字母表上面的字符串会有所不同
基于它们包含的空间（即“空间”！=“spa ce”）。
通常，传递给该模块函数的字符串将被规范化，即
不在字母表中的字符将被删除。例如，如果您调用vectorize("String")
在定义了上面的字母表之后，你实际上是在向量化“tring”，所以你应该
改为调用vectorize("String".lower())。在
vectorize(x)函数返回一个元组(x_norm, dok)，其中x_norm是实际的字符串
它已经被矢量化（即x标准化），所以你可以检查你是否真的是这样
想要向量化，并且dok是DOK（密钥字典）中的向量
格式（因为向量通常是稀疏的），所以它将像字典一样
{2: 1, 3: 1, 14: 1, 17: 2, 30: 1, 41: 1, ...}表示向量有非零值
只在字典键的位置，即[0, 0, 1, 1, 0, ..., 0, 1, 0, 0, 2, ...]。
您可以将x_norm与向量一起推送到字典中，这样就不必这样做了
再次矢量化，这就是get_kernel()函数的实际作用。在
示例
x_norm,vect=mk.mismatch_tree.vectorize("doc. Frankenstein".lower())print("{} -> {}".format(x_norm,vect))
> doc frankenstein -> {10: 1, 13: 1, 37: 1, 64: 1, ...}
计算两个字符串之间的内核
您可以使用get_kernel(x1, x2)函数来获取x1和{
示例
ker=mk.get_kernel("doc. Frankenstein".lower(),"doc. Drunkenstein".lower())print(ker)
> 0.7500011542039571
使用或提供已经计算的失配向量和核
get_kernel函数将在MismatchKernel对象中保存每个
字符串在MISMATCH_VECTORS属性中矢量化，这是一个存储
字符串作为键，相应的向量作为值
（即{'doc frankenstein': {10: 1, 13: 1, 37: 1, 64: 1, ...}, 'doc drunkenstein': {80: 1, 98: 1, 116: 1, 121: 1, ...}）所以如果你打给next
mk.get_kernel("doc drunkenstein", "doc nykterstein"它不会再矢量化"doc drunkenstein"。在
同样，每个计算的内核都将存储在KERNEL_MATRIX属性中，即
将字符串存储为键的字典和另一个以字符串作为键的字典和
两个键之间的内核值作为值
（即{'doc frankenstein': {'doc drunkenstein': 0.7500011542039571, 'doc nykterstein': 0.5041614599291009}}）。
如果要计算一批字符串的内核，可以从
相同的MismatchKernel对象，因此不匹配向量或内核具有的字符串
不会再计算了。在
如果已经有一个或两个字典，可以将其传递给MismatchKernel
施工单位：
mk=MismatchKernel(ALPHABET,k,m,vectors_dict,kernels_dict)
- 项目
标签：
欢迎加入QQ群-->： 979659372
