用经典机器学习分析生物数据
Apply Classical Machine Learning to Biological Data · 🔴专家 · 所属分类：科研数据与生物统计
高维小样本的生物数据（几十个样本、几千个特征）上，机器学习模型太容易过拟合、悄悄信息泄漏，一不留神 AUC 虚高、换批数据就崩。它帮你搭一条防泄漏的建模管线，用树模型/正则回归/SVM 这类可解释的经典方法，配上嵌套交叉验证和 SHAP 解释，让结果既稳又能说清楚「为什么这么判」。
适合谁
做预测建模的生信工程师、手头有表格型或特征型数据的实验研究者，以及需要结果可复现的研究生。
给它什么 · 得到什么
- 你提供：生物数据集（特征+标签，如表达谱/图像特征/序列特征）、任务定义、样本量与类别分布、评估需求
- 你得到：训练管线、带置信区间的交叉验证性能、特征重要性/SHAP 解释、局限说明和可复现代码
怎么用
先给一句示例提问：「我有 80 个样本的表达谱想区分响应者和非响应者，特征上千个，帮我建个不过拟合的分类模型，并告诉我哪些基因最重要。」 触发后它会先把数据划分做成防泄漏的，再选模型、做嵌套交叉验证调参，最后用 SHAP 把模型依据讲清楚。
提个醒
它只覆盖能端到端交付的经典机器学习；深度学习（医学影像、序列建模）另有专门的 skill 负责，这里不做只能空谈、离了 GPU 就跑不起来的部分。