受体与细胞信号转导
2025-11-26 3k 字 12 分钟

受体与细胞信号转导

细胞信号理论 信号转导 signal transduction 细胞通过受体接受外界信号分子的刺激，转换为细胞内信号，启动细胞内的信号途径，引起细胞内一系列生理生化变化，从而影响细胞生物学功能的过程为信号转导。 信号转导一般由四部分合作完成：细胞外信号分子、受体、细胞内信号分子、效应蛋白 细胞外信号分子 extracellular signal molecule 又被称为第一信使，传递信息。分为膜受体和胞内受体。 受体 receptors 分为细胞表面受体和细胞内受体，其中细胞表面受体主要有3类 G蛋白耦联受体 G-protein-coupled receptor
RandomForest
2025-11-23 622 字 3 分钟

RandomForest

随机森林是一种集成学习方法，通过构建多棵决策树并将它们的预测结果组合起来，以提高预测准确性和模型的鲁棒性。 基本概念 集成学习：通过组合多个弱学习器（决策树）来创建一个强学习器 Bagging：通过自助采样法为每棵树创建不同的训练子集 特征随机性：在每棵树的每个节点分裂时，只考虑特征的一个随机子集 降低方差：通过平均多棵树的预测结果来减少过拟合 执行流程 从原始数据集中通过自助采样法抽取多个样本子集 为每个样本子集构建一棵决策树 在每棵树的每个节点分裂时，随机选择特征子集进行考虑 将所有树的预测结果进行组合（分类任务使用投票，回归任务使用平均） 特点 对过拟合有很强的抵抗能力(
NeuroNetwork
2025-11-20 1.5k 字 8 分钟

NeuroNetwork

人工神经网络是受生物神经网络启发的计算模型，由大量相互连接的节点（神经元）组成。 基本组成 神经元：神经网络的基本处理单元 层： 输入层：接收原始特征 隐藏层：进行特征变换和模式学习 输出层：产生最终预测 权重和偏置：连接神经元之间的参数 激活函数：引入非线性，使网络能够学习复杂模式 常用激活函数： Sigmoid：f(x)=11+e−xf(x) = \frac{1}{1 + e^{-x}}f(x)=1+e−x1​ Tanh：f(x)=tanh⁡(x)f(x) = \tanh(x)f(x)=tanh(x) ReLU：f(x)=max⁡(0,x)f(x) = \max(0, x)f
SVM
2025-11-20 3.5k 字 19 分钟

SVM

线性可分的SVM 基本概念 超平面 hyperplane 数据集可以被超平面分隔为二类，超平面为 wTx+b=0\mathbf{w}^{\text{T}}\mathbf{x}+b=0 wTx+b=0 记作 h(x)=0h(\mathbf{x}) = 0h(x)=0 基于此超平面的分类模型可以用 f(x)=wTx+bf(\mathbf{x}) = \mathbf{w}^{\text{T}}\mathbf{x}+bf(x)=wTx+b表示,若 f(x)>0f(\mathbf{x}) > 0f(x)>0，则分类标签 y=1y = 1y=1。若 f(x)=0f(\mathbf{
Lagrange
2025-11-19 1.8k 字 10 分钟

Lagrange

Lagrange乘数法 Easy 两类最优化问题 无约束优化问题 min⁡f(x)\min f(\bm{x}) minf(x) 直接求导，寻找 f′(x)=0f^\prime (\bm{x}) = 0f′(x)=0 即可 有等式约束优化问题 min⁡f(x)\min f(\bm{x}) minf(x) s.t.hi(x)=0,i=1,2,…,ns.t.h_i(\bm{x}) = 0, i = 1,2,\dots,n s.t.hi​(x)=0,i=1,2,…,n 构造拉格朗日函数 L(x,λ)=f(x)+∑i=1nλihi(x)L(\bm{x},\bm{\lambda}) = f(\bm
线性回归
2025-11-19 1.6k 字 9 分钟

线性回归

标准线性模型 一元线性回归 y=β^0+β^1x+uy = \hat\beta_0 + \hat\beta_1 x + u y=β^​0​+β^​1​x+u y^=β^0+β^1x\hat y = \hat\beta_0 + \hat\beta_1 x y^​=β^​0​+β^​1​x 使用残差平方和 RSS 来测量模型与真实数据的接近程度 RSS=∑i=1nei2RSS = \sum_{i=1}^n e_i^2 RSS=i=1∑n​ei2​ 评价 多元线性回归 y=β0+β1x1+⋯+βnxm+uy_ = \beta_0 + \beta_1 x_1 + \dots + \beta
MLQall
2025-11-19 2.8k 字 12 分钟

MLQall

Question1 flowchart TD A[定义问题与目标] --> B[数据收集与理解]; C[数据清洗和预处理]; D[特征工程]; D --> E[模型训练]; E --> F[模型评估]; G{性能是否满意?}; G -- 否 --> D; G -- 否 --> E; G -- 是 --> H[模型预测/应用]; subgraph A [阶段一：问题定义] end subgraph B_C_D [阶段二：数据准备] direction LR
PCA
2025-11-18 554 字 3 分钟

PCA

Principal Component Analysis Code R PCA分析 123456789101112131415161718192021222324252627282930library(ggplot2)if(!require("ggfortify"))install.packages("ggfortify");library(ggfortify)library(ggrepel)# 使用iris数据集data(iris)iris_features <- iris[, 1:4]# 执行PCA分析pca_result <-
lasso
2025-11-17 2.3k 字 12 分钟

lasso

多元线性回归 y=β0+β1x1+⋯+βnxm+uy_ = \beta_0 + \beta_1 x_1 + \dots + \beta_n x_m + u y=​β0​+β1​x1​+⋯+βn​xm​+u 回归模型为 y^=β^0+β^1x1+⋯+β^mxm\hat y = \hat\beta_0 + \hat\beta_1 x_1 + \dots + \hat\beta_m x_m y^​=β^​0​+β^​1​x1​+⋯+β^​m​xm​ 取 nnn 组观察值，即为 [y1y2⋮yn]=[1x11x12⋯x1m1x21x22⋯x2m⋮⋮⋮⋱⋮1xn1xn2⋯xnm][β0β2⋮βm]+[
EasyML
2025-11-12 2.3k 字 12 分钟

EasyML

Question1 graph TD start(开始) --> Begin[问题抽象] Begin --> data1[数据获取] data1 --> data2[数据清洗] data2 --> |训练集|model[参数拟合] model --> check{模型评估?} check -->|Yes| End(结束) data2 --> |测试集|check check -->|No| model Question2 训练集 用于训练模型的数据集 测试集 用于测试模型效果的数据集 意义 验证模型的可靠性 多