PNETTrainer

Full name SMRUCC.genomics.Analysis.HTS.P_NET.PNETTrainer Assembly SMRUCC.genomics.Analysis.HTS.P-NET Members 10

P-NET 的训练器

00 Remarks

训练流程严格遵循论文 Methods 部分的描述：

按照 80% 训练 / 10% 验证 / 10% 测试做分层划分，保证每一个子集之中的类别比例与原始数据集一致；
按照训练集的类别比例计算二元交叉熵的类别权重；
使用 Adam 优化器做 mini-batch 训练，初始学习率 0.001，每 50 个 epoch 阶梯衰减；
损失为各个深度监督预测头的加权二元交叉熵之和。

01 Syntax

SMRUCC.genomics.Analysis.HTS.P_NET.PNETTrainer

02 Methods

Name	Overloads	Summary
.ctor	1	创建训练器
FitClassWeights	1	按照训练集的类别比例计算二元交叉熵的类别权重
StratifiedSplit	1	按照给定的比例做分层划分
Train	1	在训练集上训练模型
Evaluate	1	在测试集上评估模型

03 Properties

Name	Overloads	Summary
Model	1	被训练的模型
Config	1	训练超参数配置
Optimizer	1	训练所使用的优化器
PositiveWeight	1	正样本类别权重，由 PNETTrainer.FitClassWeights()) 计算得到
NegativeWeight	1	负样本类别权重，由 PNETTrainer.FitClassWeights()) 计算得到

04 Members

method .ctor #

#ctor(PNETModel, TrainConfig)

创建训练器

Parameters

Name	Type	Description
`model`	PNETModel	待训练的 P-NET 模型
`config`	TrainConfig	训练超参数配置，取 Nothing 时使用默认配置

method FitClassWeights #

FitClassWeights(PNETSampleSet)

按照训练集的类别比例计算二元交叉熵的类别权重

Remarks

权重取值为 N / (2 · N_class)，与 sklearn 的 class_weight='balanced' 一致。若 TrainConfig.UseClassWeights 为 False，则两个权重均取 1。

Parameters

Name	Type	Description
`data`	PNETSampleSet	训练集

method StratifiedSplit #

StratifiedSplit(PNETSampleSet, Double, Double)

按照给定的比例做分层划分

Remarks

分层（stratified）的含义是：在正样本与负样本内部各自独立地做随机划分，从而保证每一个子集之中的类别比例与原始数据集完全一致。

Parameters

Name	Type	Description
`data`	PNETSampleSet	完整数据集
`trainRatio`	`Double`	训练集比例，默认 0.8
`validationRatio`	`Double`	验证集比例，默认 0.1（其余样本归入测试集）

Returns

划分之后的训练集、验证集与测试集

method Train #

Train(PNETSampleSet, PNETSampleSet)

在训练集上训练模型

Parameters

Name	Type	Description
`trainingSet`	PNETSampleSet	训练集
`validation`	PNETSampleSet	验证集，给出之后会逐轮记录验证集 AUC 并可选地启用早停

Returns

训练过程的历史记录

method Evaluate #

Evaluate(PNETSampleSet, Double)

在测试集上评估模型

Parameters

Name	Type	Description
`test`	PNETSampleSet	测试集
`threshold`	`Double`	判定为正例的阈值，默认 0.5

Returns

评估指标结果

property Model #

Model

被训练的模型

Returns

P-NET 模型对象

property Config #

Config

训练超参数配置

Returns

训练配置对象

property Optimizer #

Optimizer

训练所使用的优化器

Returns

Adam 优化器

property PositiveWeight #

PositiveWeight

正样本类别权重，由 PNETTrainer.FitClassWeights() 计算得到

Returns

正样本权重

property NegativeWeight #

NegativeWeight

负样本类别权重，由 PNETTrainer.FitClassWeights() 计算得到

Returns

负样本权重