1.4.3 分类算法

为什么需要分类？
分类是"监督学习"——需要预先标注的训练数据，然后训练模型预测新样本的类别。在生物信息学中，分类用于预测疾病的诊断、药物的效果、蛋白质的功能等。
决策树（Decision Tree）：
- 原理：通过一系列"如果...那么..."的判断规则，将样本分配到不同类别
- 类比：医生诊断流程图——"如果发烧且咳嗽，那么可能是流感；如果发烧且无咳嗽，那么可能是..."
- 生物应用：疾病诊断决策、基因功能分类、突变有害性预测（如SIFT、PolyPhen）
- 优点：可解释性强、不需要数据标准化
- 局限：容易过拟合、对数据变化敏感
支持向量机（SVM）：
- 原理：在高维空间中寻找一个超平面，使不同类别的样本间隔最大化
- 类比：想象两类水果（苹果和橙子），SVM找到一条"最宽"的分界线，把两类水果分开
- 生物应用：蛋白质分类、疾病亚型识别、基因选择
- 优点：在高维空间表现好、泛化能力强
- 局限：大数据集训练慢、核函数选择困难
随机森林（Random Forest）：
- 原理：构建多棵决策树，每棵树用随机抽样的样本和特征训练，最后投票决定分类
- 类比：让一个"专家委员会"（多棵树）投票决定，每个专家看问题的角度不同（随机特征），综合结果更稳健
- 生物应用：特征选择（识别重要基因）、疾病风险预测、蛋白质-蛋白质相互作用预测
- 优点：准确率高、能评估特征重要性、不易过拟合
- 局限：模型复杂、训练时间长
深度学习（Deep Learning）：
- 原理：多层神经网络自动学习特征表示
- 生物应用：蛋白质结构预测（AlphaFold）、基因表达调控预测、药物分子生成、病理图像诊断
- 优点：表示能力强、自动特征提取
- 局限：需要大量训练数据、计算成本高、可解释性差（"黑箱"问题）
分类算法选择建议：
- 小样本、需要可解释性：决策树、SVM
- 大数据、追求准确率：随机森林、深度学习
- 生物信息学实际问题：往往需要尝试多种方法，交叉验证选择最优