Nature 子刊：机器学习高维数据分析中那些一定可以避开的坑！

文章预览

导语 《Nature》11月28日推出的一篇 comments 文章指出了使用高维数据的机器学习中常见的“坑”，以及避免方法，从而帮助该领域的小白能够客观的评价他们结果是否靠谱。方法论的文章会读起来较枯燥，因此本文尝试使用对话体来解读原文的3个主要问题。 论文题目： Avoiding common pitfalls in machine learning omic data science 论文地址： https://www.nature.com/articles/s41563-018-0241-z 由于和生物有关的 组学数据 都是典型的高维数据 ，例如蛋白组，脂质组，转录组（RNA），基因组（DNA）等，在这个 人工智能和医疗结合 愈发深入的年代， 基于高维数据的预测模型将会变得越来越重要。 因此 对于相关从业者，深入 了解其中的方法论愈加不可或缺。另外，高维数据不止出现在生物相关的组 ………………………………