基于Markov性的半监督流行学习算法研究

摘要

本文在数据驱动模式的指导下，以药物动力学中的复杂数据为背景，利用具有Markov性的流行学习来构造半监督分类算法，并对生物结构与活性关系进行统计建模．模拟研究表明，当存在某种流行结构时，流行学习算法能对具有不同模式的数据进行更好地分类．通过对不同化合物的生物结构活性关系的三个真实数据集进行分析，与典型算法相比，基于不同核函数的流行学习分类算法能充分利用有标签的样本点和无标签的样本点的信息来对样本进行分类，并产生更稳健、更精确的分类结果．