SVM軟件包
LIBSVM -- A Library for Support Vector Machines（本項目所用到的SVM包）（目前最新版：libsvm-3.21，2016年7月8日）
C-SVC(C-support vector classification), nu-SVC(nu-support vector classification), one-class SVM(distribution estimation), epsilon-SVR(epsilon-support vector regression), nu-SVR(nu-support vector regression).
官網學習資料：
- A practical guide to SVM classification（guide.pdf）（官網有配套練手數據）
- 官網程序壓縮包里的幫助文檔 程序 README 文檔（核心）； 以及 FAQ.html（常見問題）{每個單獨模塊都有 README 文檔}
- libsvm官方下載鏈接（有時首頁的下載鏈接打不開）
libsvm的原理及使用方法介紹（文庫，全面，是對上面博客的總結）
libsvm安裝教學（文庫繁體）
- gnuplot安裝及使用(Linux)
- Linux下使用Libsvm
練手項目（百度libsvm項目）：
說一說我對用LIBSVM進行回歸預測的粗淺認識（整理完成於2012年5.11）
LIBSVM的縮放和結果分析(轉載)
本項目中需要用到預測的概率，所以在訓練和預測時，均要加上-b參數。
>svm-train.exe -b 1 scaled_1 scaled_1_model
>svm-predict.exe -b 1 test_1 scaled_1_model scaled_1_output_file
我們還更改了流程化腳本easy.py和grid.py：
主要為了解決交叉檢驗的效率，參數選優的效率（內存和並行），以及概率輸出。
我做的工作：
曹老師給了我原始數據（正負訓練集，測試集），我首先寫perl腳本，進行格式轉換；轉化為libsvm可用的格式；
其次搞懂libsvm的使用，主要是scale、train、predict，比較簡單；其中scale必須保證縮放規則相同，-s，-r；train選c-svc，內核選RBF，-b概率輸出；predict就是-b概率預測就好了；整個流程都被寫在easy.py腳本里了，看懂腳本，對命令做簡單的修改，就可以一步執行了；其中參數選優最為耗時，需適當修改grid.py腳本。
最后，我還做了one-class的建模和預測；這個沒有參數尋優的腳本，也不支持概率輸出，所以我就選了幾個參數試了試；其中-n非常重要。
后續工作：
accuracy、sensitivity、specificity等統計指標的分析
用coreset來限制訓練集，建立模型，來預測訓練集中其他的部分；
SVM基礎知識
支持向量機通俗導論（理解SVM的三層境界）（全） （分3章，文章末尾有很多SVM的學習資料）
Coursera的ML視頻：Machine Learning - 第7周（Support Vector Machines）
深入理解參數選優時交叉檢驗的作用：libsvm交叉驗證（講得很好）
基因注釋概念
基因組注釋介紹 注釋四部分：重復序列；非編碼RNA；基因結構；功能注釋。
真核基因組注釋方法與流程的文章 ： A beginner's guide to eukaryotic genome annotation
轉座子 - 可移動的遺傳因子， 一段DNA順序可以從原位上單獨復制或斷裂下來，環化后插入另一位點，並對其后的基因起調控作用，此過程稱轉座。
coreset
數據前處理
注意：
- 去掉此列95_IsLongerGeneCover（這個特征值會影響預測結果，不需要它，所以除去，很簡單一個last搞定）
- 訓練集正負樣本有嚴重的數量差距，這也會影響訓練和預測的結果的准確度。測試發現：pos = 29778, neg = 2238.
1.我拿到的數據有兩種，一個是用於二分類的數據；一個是用於4分類的數據。
2.二分類的數據曹老師已經幫我提取好了，我只需要處理成libsvm的輸入格式就行；四分類的數據則需要我自己處理，曹老師只給了我總表，已經相應的基因序列號，我需要單獨提取處理出來，轉成libsvm所需的格式。（里面有5個數據，一個總表，另外四種類型的基因數據。總表中，剛剛說的，前5列不用考慮，然后把非數值型轉成數值型再做。如果結果 不好的話，將四種訓練集中的樣本數目降成相當的數目，以免引起偏差。）
3.數據格式處理？這個需要詳細說明
首先，明確libsvm的格式要求，+1 1:0.708333 2:1 3:1 4:-0.320755 5:-0.105023 6:-1 7:1 8:-0.419847 9:-1 10:-0.225806 12:1 13:-1 （行末尾有空格）；
其次，我們的表格數據里的哪些數據是無用的？非數值列如何轉換為數值型數據？如何合理制作標簽？數據按列進行處理；前5列：1_Chrom 2_GeneID 3_Start 4_End 5_Strand是無用的，因為它們只是基因的基本信息，需要去掉；最后一列是預測目標，需要提到第一列；其他的列數值化比較簡單。
麻煩的是6_Evidence列的處理，根據曹老師要求，根據優先級進行分類，凡是有PROTEIN的歸一類；否則，凡是有cDNA歸一類；否則，凡是有oest的歸一類；否則，凡是有EST的歸一類；其他的歸為最后一類（可能不存在這一類，因為都有證據）。
perl腳本得出的第6列（共15種）：
PROTEIN|cDNA|oest AND EST|PROTEIN|cDNA AND PROTEIN|cDNA AND EST|PROTEIN AND EST|PROTEIN|oest AND EST|PROTEIN|cDNA|oest AND PROTEIN AND PROTEIN|oest = 1
EST|cDNA AND cDNA AND cDNA|oest AND EST|cDNA|oest = 2
oest AND EST|oest = 3
EST = 4
perl腳本得出的第8列（共5種）：
protein_coding_partial = 1
protein_coding = 2
untranslated = 3
pseudogene = 4
protein_coding_short = 5
參考：
perl 提取文件的指定列
perl split()函數詳解
總結經驗
數據版本的控制，很大的問題，有時候只對數據做很小的修改，然后重新跑，改多了，對數據版本的控制的需求就來了，否則時間一久，根本就不知道自己當初每次都做了啥。（重在項目記錄）