P or otra parte la segunda capa de prediccin que

Info iconThis preview shows page 1. Sign up to view the full content.

View Full Document Right Arrow Icon
This is the end of the preview. Sign up to access the rest of the document.

Unformatted text preview: r a c a p a d e p r e d i c c i ó n E x p e r i m e n t a c i ó n c o n naive-Bayes D entro de la primera capa de predicción se ha realizado una batería de pruebas con el o bjetivo de encontrar, tanto el tamaño de ventana óptimo, como la matriz de sustitución m ás adecuada para la obtención de los perfiles de las proteínas. Los resultados se pueden o bservar en la figura 7.2. C omo se puede apreciar, el mejor resultado obtenido corresponde a un tamaño de v entana de 13 residuos y a la matriz de sustitución BLOSUM62. M ientras que la mejor de las pruebas realizadas con información evolutiva dio un 67,58 % de bien clasificados, las mismas pruebas realizadas sin información evolutiva dieron sólo un 61,35 %. Esto significa que el uso de la información evolutiva supone una mejora d e 6,23%. E x p e r i m e n t a c i ó n c o n Interval E s t i m a t i o n nai've-Bayes D ado que el tiempo de computación requerido por este método es muy elevado, se r ealizó sólo una prueba con los parámetros encontrados con el nai've-Bayes: ventana de 13 r esiduos y matriz de sustitución BLOSUM62. E l resultado obtenido es de un 7 0,33% d e bien clasificados, por lo que se supera al c lasiñcador naive-Bayes en un 2,75 %. 7.5.5. Segunda capa de predicción L a información de entrada a la segunda capa de predicción son las estructuras observadas de las proteínas y las estructuras predichas por los métodos empleados en la primera c apa de predicción, naive-Bayes o Interval Estimation naive-Bayes. A p artir de estas estructuras se obtiene un conjunto de datos con los casos que servirán p ara el proceso de aprendizaje y de validación de esta segunda capa. Los procesos de aprendizaje y validación son idénticos a los de la primera capa con nai've-Bayes. La única diferencia es que aquí cada variable predictora tiene un único estado p ara cada caso (ya que no hay información evolutiva), por lo que se puede utilizar la f órmula original del clasificador náíve-Bayes. 7.5.6. Resultados experimentales de la segunda capa de predicción P ara realizar las pruebas experimentales con la segunda capa de predicción se ha p artido del mejor de los resultados obtenido con la primera capa, es decir, de los resultados o btenidos con Interval Estimation nai've-Bayes. 7 .5. D esarrollo de un clasificador para PSSP con redes Bayesianas 149 MATRIZ DE SUSTITUCIÓN B LOSUM62 B LOSUM45 H L E H 2 9159 5560 7 16 6 18 L 9 488 18520 3 703 E 8 355 6914 E H 2 8848 5588 7 38 9 429 13268 6 313 4 S767 7 604 20527 4 92 7 967 6580 4 317 E 6141 9 02 6 636 2117B 5970 L 6 139 21965 5 23 7 540 5565 5 759 L 5 785 22274 5 70 E 1 35 5276 6 453 6 29 6 986 1 433 L 5 435 22565 E 6933 5028 E 2 5923 7653 1 606 5 256 22420 6 697 A S 0 L 4903 6 15 5077 7 177 8 54 5107 6 652 6 08 L 4 860 2317S 5202 7 106 E 6 427 5349 5 452 22275 7 55 E 6 681 4963 7 161 0 .666511 0 .673952 H L E H 2 2188 6731 1 757 6 93 L 4 661 19163 8 89 7 286 E 5 720 4213 6 791 H L H 2 5939 L E 7742 1 738 5 251 22463 7 65 E 6505 4925 7378 0 .674457 0 .667406 L 5 084 22642 7 61 6 402 5008 7 400 H L H 2 5059 0 .674655 E 7910 1 915 L H H 2 5671 E 7972 1 780 0 .673513 0 .665989 H L E H 2 5512 8300 1 654 6 19 L 4 944 22923 6 63 L 5 117 22182 8 83 L 4 990 22749 7 50 7 137 E 6 430 5123 7 282 E 6 301 4997 7 290 E 6 365 5071 7 376 8646 1 561 L H H 2 4846 0 .672659 E E 8140 1 906 H L H 2 5376 0 .665156 E 8287 1 764 0 .670885 H L E H 2 5290 8531 1 645 6 07 L 4 671 23012 6 50 L 5 02S 22274 8 88 L 4 939 22810 7 42 7 094 E 6 365 5209 7 262 E 6 252 5073 7 267 E 6 299 5165 7 350 L H H 2 4605 0 .570779 L 4 304 6 305 H E 8727 1 641 H 23093 6 39 5263 7 249 H E H 2 4951 9057 1 550 6 01 L 4 708 23348 7 089 E 6 270 5535 H 8372 1 921 H L H 2 5232 L E 2 5016 8673 1 742 8 93 L 4 851 22896 7 36 7 235 E 6 233 5255 7 328 8489 1 917 L 4991 22308 e 6 199 5161 E 1 639 1 739 H 2 4499 H E 0 .667634 0 .661534 L E 8458 0 .669519 L 0 .669250 L E 0 .662928 L H 2 5098 0 .668055 H 0 .666486 L 7 042 E E 5377 9 02 4931 9 04 5 83 23013 21750 6 607 7 260 7 080 6 336 5 516 4943 5430 4 718 L e 22057 23277 1 632 6 79 7 077 6 383 6 361 8666 1 615 5 216 4 785 2 4696 7498 7474 L L E E 2 6302 2 5606 E E L L H H 6 78 L 0 .666590 1 788 H E 7 330 6 05 H 0 .672197 L 5019 7 101 5290 0 .664591 22769 1 555 22917 6 758 6 485 8865 6 409 5 98 5163 5 080 2 5147 4 S09 22054 6 881 L H 1 658 5 71S E E 8677 L E 6 40 L 2 4859 1 535 7 183 0 .669588 E E 7112 1 666 H L L H 2 6764 8019 0 .572060 22836 1 684 2 5780 5225 4 836 7142 H H 2308 2 H 2 5356 E c 6 507 1 543 0 .665606 21546 6 818 H 1 291 L ,«.,„ 4 939 8499 L H 2 6032 0 .675239 E H H E 6777 H L 0 .668023 2S 5 764 E 4955 1 553 6 491 24 L 6 641 22586 8400 e H 6 16 5173 6 592 H 2 5611 2 5051 22 22189 7 017 E L L H 2 7335 0 .657461 5 715 5 245 L 0 .670647 H H 0 .660517 E 0 .574010 22721 6 078 L 5131 4 992 6 70 5449 E 22924 6 544 20 21773 7 272 6 27 6 554 1 639 6 036 E 7 086 5 073 8245 1. 6 054 1 611 L 2 5309 8 19 5439 7801 E H 21311 7 082 2 6052 6 23 E 6 030 H 7 221 L L E E 1 572 0 .673271 5 91 1. 8109 H 0 .660554 5 928 0 .675461 2 5881 5015 5 258 1 458 H H 22604 6 45 6022 L E 5 099 21359 7 514 6867 4984 L 6 561 18 6 474 1 396 0 .675022 1 651 L E...
View Full Document

This note was uploaded on 02/01/2012 for the course . . taught by Professor . during the Spring '11 term at Pontificia Universidad Católica de Chile.

Ask a homework question - tutors are online