具有字符/字符串特征的二进制分类

Question

我目前正在研究蛋白质的二元分类问题。目的是弄清楚突变是否会改变蛋白质的功能，使其从活性变为非活性。这种突变可以发生在组成蛋白质的氨基酸链中的4个不同但固定的位置。因此，我的特征向量包含一个长度为4的字符代码，每个字符代表发生突变的四个地方之一的氨基酸。总共有21个可能的氨基酸。

我的问题是，我将如何将这串4个字符转化为一个数字，用于我的分类。到目前为止，我尝试的是将每个cahr转换为ASCII十进制，表示该字符的大写字母(例如A->65)，但这只给了我平庸的结果。

我发现了一些关于一个热编码的东西，但我不知道如何使用它，因为除了信息之外，总共21个氨基酸中有4个发生在突变中，它们发生的位置对我来说也很重要。

以下是培训数据的样本：

​

​

Answer 1

我的特征向量由一个长度为4的字符代码组成。。。在我的情况下，它们发生的位置很重要。

将您的四个字符字符串展开为四个一个字符的字符串。这样每个站点就有一个特性(让我们称它们为"S1“、"S2”、"S3“和"S4")。

这样，每个蛋白质位点将独立于其他位点。

，我将如何将这串4个字符转换成数字来进行分类。

只需将一个热编码应用于每一个单字符特性。假设您在Scikit-Learn环境中工作，您可以使用sklearn_pandas.DataFrameMapper或sklearn.compose.ColumnTransformer来执行此映射：

mapper = DataFrameMapper([
  (["S1", "S2", "S3", "S4"], OneHotEncoder())
])
classifier = LogisticRegression()
pipeline = Pipeline([
  ("mapper", mapper),
  ("classifier", classifier)
])
pipeline.fit(X, y)