这种差异可归因于下面列出的少数因素，-我们使用了不同的训练方案，即对数据进行90/10的单一分割，而不是[1]中使用的重复10倍交叉验证方案。我们的目标是训练一个机器学习模型，该模型使用数据的图形结构以及图形节点可用的任何信息，例如蛋白质中化合物的化学属性，以预测之前未看到的图形的正确标签；DGCNN架构是在[1]中提出的（参见[1]中的图5），使用了[2]中的图卷积层，但修改了传播规则（详见[1

论文：Wirbel, J., Zych, K., Essex, M. et al. Microbiome meta-analysis and cross-disease comparison enabled by the SIAMCAT machine learning toolbox. Genome Biol 22, 93 (2021). https://doi.org/10.1186/s130

作为一名数据科学家，二分类是最常见的分类模型之一。在解决这些问题时，一个常见的问题是类不平衡(class imbalance)。当一个类别的观察结果高于其他类别时，就会存在类别失衡。示例：检测欺诈性信用卡交易。

本章中，我们提及了机器学习中最重要的一些概念。第2章将会进行更深入的探讨，也会写更多代码。

随着可解释性成为机器学习项目越来越重要的要求，越来越需要将SHAP等技术的复杂输出传达给非技术利益相关者。

通讯作者为：以色列特拉维夫大学的David (Dudu) Burstein在测序数据量不断增加的时代，揭示未表征基因的功能是一项基本挑战。在这里，我们提出了一个使用自然语言处理（NLP）中采用的深度学习方法来应对这一挑战的概念。我们重新调整了NLP算法的用途，以基于其基因组背景下超过3.6亿个微生物基因的生物语料库为基础，对**“基因语义(gene semantics)”进行建模。

如果不近似，TreeExplainer调用的函数是, 其定义为https://github.com/slundberg/shap/blob/master/shap/cext/_cext.cc#L113。下面的代码引用了Python.hPyObjectreturns atypenumand aflagsstruct 是 C 语言中用来定义结构体类型的关键字。static 关键字可以用来修改变量或函数

论文：Wirbel, J., Zych, K., Essex, M. et al. Microbiome meta-analysis and cross-disease comparison enabled by the SIAMCAT machine learning toolbox. Genome Biol 22, 93 (2021). https://doi.org/10.1186/s130

论文：Wirbel, J., Zych, K., Essex, M. et al. Microbiome meta-analysis and cross-disease comparison enabled by the SIAMCAT machine learning toolbox. Genome Biol 22, 93 (2021). https://doi.org/10.1186/s130

通讯作者为：以色列特拉维夫大学的David (Dudu) Burstein在测序数据量不断增加的时代，揭示未表征基因的功能是一项基本挑战。在这里，我们提出了一个使用自然语言处理（NLP）中采用的深度学习方法来应对这一挑战的概念。我们重新调整了NLP算法的用途，以基于其基因组背景下超过3.6亿个微生物基因的生物语料库为基础，对**“基因语义(gene semantics)”进行建模。