一、 问题描述
激酶抑制剂是一种能够抑制激酶活性的化合物，在药物研发中具有重要意义，特别是在癌症治疗领域。蛋白激酶参与调节细胞的多个功能，其抑制剂的研发对于理解疾病机制和开发新疗法至关重要。本实验旨在利用支持向量机（SVM）算法对激酶抑制剂进行分类，数据集包含2013个样本，每个样本具有5个特征，并分为四类。
二、 解决方案
采用支持向量机（SVM）算法对激酶抑制剂进行分类。SVM是一种强大的分类算法，特别适用于高维数据的分类问题。这里使用Python的sklearn库来构建和训练SVM模型，并对模型的结果进行分析。
三、 实验步骤
1、导入相关的库和创建支持向量机实例
首先需要导入Python中必要的库，如numpy、pandas和sklearn。然后创建SVM实例，并设置相关参数。
2、使用sklearn库直接调用机器学习模型并实例化
利用sklearn库中的SVM分类器，将数据集划分为训练集和测试集，对模型进行训练和测试。
四、 结果分析
训练完成后，对模型的分类结果进行分析，包括准确率、混淆矩阵等指标，以评估模型的性能。下面是程序运行截图：
对运行结果的解释：
五、 核心代码
python
# 导入必要的库，用于机器学习模型和数据处理
from sklearn.ensemble import AdaBoostRegressor, RandomForestRegressor, RandomForestClassifier
data_url = "http://lib.stat.cmu.edu/datasets/boston"
from numpy import array
from pandas import read_csv
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np
from sklearn.preprocessing import OneHotEncoder, StandardScaler
# 从CSV文件中读取激酶数据
dataframe = read_csv("kinase_selected.csv", delimiter=',')
# 将数据框转换为numpy数组
dataset = dataframe.values
# 分离特征（X），排除第一列（假设是标签或ID）
X = dataset[:, 1:]
# 初始化标准化器，用于特征缩放
scaler = StandardScaler()
# 拟合标准化器并转换特征数据
X_scaled = scaler.fit_transform(X)
# 打印缩放后特征数据的形状
print(X_scaled.shape)
# 从数据框中提取特征名称，排除第一列
feature_names = dataframe.columns.values[1:]
# 将特征名称转换为numpy数组以便于处理
features = array(feature_names)
# 打印所有特征及其总数
print("All features:")
print(features)
print("length of features:", len(features))
# 从另一个CSV文件中读取标签数据
label = pd.read_csv('label_kinase_selected.csv', sep=',')
from sklearn import preprocessing
from sklearn.preprocessing import OneHotEncoder, StandardScaler
# 初始化标签编码器，用于将分类标签转换为数值
le = preprocessing.LabelEncoder()
# 选择标签数据框的最后一列作为目标变量
y = label.iloc[:, -1]
# 打印标签的形状
print(y.shape)
# 拟合标签编码器并将标签转换为数值格式
Y = le.fit_transform(y)
# 打印转换后的标签
print(Y)
# 打印标签数据框中"Binding_Modes"列的每个唯一值的计数
print(label['Binding_Modes'].value_counts())
from sklearn.model_selection import train_test_split
# 将数据集分为训练集和测试集
# 输入特征为X_scaled，输出标签为Y
X_train, X_test, Y_train, Y_test = train_test_split(X_scaled, Y, test_size=0.2, random_state=42, stratify=Y)
# 打印训练特征数据的维度和训练标签中类的数量
print("Feature data dimension: ", X_train.shape)
print("Num of classes: ", Y_train.shape)
# 从sklearn导入支持向量分类器
from sklearn.svm import SVC
# 初始化支持向量分类器
estimator = SVC()
# 在训练数据上拟合模型
estimator.fit(X_train, Y_train)
# 打印模型在训练数据上的准确率
print("train score:", estimator.score(X_train, Y_train))
# 打印模型在测试数据上的准确率
print("test score:", estimator.score(X_test, Y_test))