Machine learning 具有字符/字符串特征的二进制分类

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将蛋白质功能从活性变为非活性。 突变可能发生在构成蛋白质的氨基酸链中的4个不同但固定的位置。因此，我的特征向量由一个长度为4的字符代码组成，其中每个字符代表发生突变的4个位置之一的氨基酸。总共有21种可能的氨基酸

我的问题是如何将这个由4个字符组成的字符串转换成数字来进行分类。 到目前为止，我尝试将每个cahr转换为ASCII十进制，表示该字符的大写字母（例如A->65），但这只能得到一般的结果

我发现了一个热编码，但我不知道如何使用它，因为除了关于21个氨基酸中有4个发生在突变中的信息外，它们发生的位置在我的案例中也很重要

这是培训数据的一个示例：

我的特征向量由长度为4的字符代码组成。。 .. 在我的案例中，它们发生的位置很重要

将四个字符的字符串扩展为四个一个字符的字符串。这样，每个站点将有一个功能（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

我如何将这个由4个字符组成的字符串转换成数字来进行分类呢

只需将一个热编码应用于这些单字符特征中的每一个。假设您在Scikit学习环境中工作，您可以使用

sklearn\u pandas.DataFrameMapper

或

sklearn.compose.ColumnTransformer

执行此映射：

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

---

谢谢，这在不调整超参数的情况下已经非常好了。如果您想调查站点之间的交互，那么您可以将原始的四个字符串拆分为多个两个字符串（例如“S12”、“S13”、“S14”、“S23”等）。或者，一旦您对Scikit Learn感到更满意，您可以使用

多项式特征

转换器自动执行此过程。

多项式特征

转换器能否处理非数字数据，例如我的情况下的字符？如果不是，我需要将一个热编码的特征传递给转换器，那么使用多项式特征不是有点毫无意义吗？因为所有的特征值都是0或1，因为一个热编码，所以所有的高阶多项式都是0或1。在可以应用之前，您需要对字符串进行一个热编码

多项式特征

。但是，如果在“稀疏结果模式”中执行一次热编码，那么大量的零不应该成为（内存）问题。也许您可以尝试在其中的某个地方插入一个特性选择器（仅测试重要突变之间的交互）。