机器学习技术通过细菌性阴道病特征准确分类微生物群落
围绕阴道微生物群落，使用遗传规划、随机森林和逻辑回归分类细菌性阴道病（BV）特征的数据集。
基本信息
资源简介
机器学习技术通过细菌性阴道病特征准确分类微生物群落
【一句话概览】
本数据集是 figshare 公开的结构化表格数据集，收录 2 个文件、合计 58.01 KB，主题涵盖 Computational biology、Ecosystem modeling、ecology、microbial ecology、microbiology，可用于统计建模、特征工程与队列分析，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《Machine Learning Techniques Accurately Classify Microbial Communities by Bacterial Vaginosis Characteristics》。配套论文《Machine Learning Techniques Accurately Classify Microbial Communities by Bacterial Vaginosis Characteristics》发表于 PLoS ONE（2014），DOI：10.1371/journal.pone.0087830。源站首次发布：2014-02-03。
【数据内容】
源站原始描述：Microbial communities are important to human health. Bacterial vaginosis (BV) is a disease associated with the vagina microbiome. While the causes of BV are unknown, the microbial community in the vagina appears to play a role. We use three different machine-learning techniques to classify microbial communities into BV categories. These three techniques include genetic programming (GP), random forests (RF), and logistic regression (LR). We evaluate the classification accuracy of each of these te…
中文译文（机器翻译，仅供快速理解，请以原文为准）：微生物群落对人类健康很重要。细菌性阴道病（BV）是一种与阴道微生物组相关的疾病。虽然 BV 的病因尚不清楚，但阴道中的微生物群落似乎发挥了一定作用。我们使用三种不同的机器学习技术将微生物群落分类为 BV 类别。这三种技术包括遗传规划（GP）、随机森林（RF）和逻辑回归（LR）。我们在两个不同的数据集上评估每种技术的分类准确率。然后，我们解构分类模型，以识别微生物群落的重要特征。我们发现，由机器学习技术生成的分类模型在 Nugent 评分 BV 上获得了高于 90% 的准确率，在 Amsel 标准 BV 上获得了高于 80% 的准确率。虽然这些分类模型识别出的重要特征集差异很大，但共有的特征通常与既往研究一致。
文件 Figure_S1.eps 为文本内容，开头为：%!PS-Adobe-3.0 EPSF-3.0 %%DocumentNeededResources: font Helvetica %%+ font Helvetica-Bold %%+ font Helvetica-Oblique %%+ font Helvetica-BoldOblique %%+ font Sy…
文件 Figure_S2.eps 为文本内容，开头为：%!PS-Adobe-3.0 EPSF-3.0 %%DocumentNeededResources: font Helvetica %%+ font Helvetica-Bold %%+ font Helvetica-Oblique %%+ font Helvetica-BoldOblique %%+ font Sy…
【数据结构与技术规格】
文件数 2 个，合计 58.01 KB。Figure_S1.eps：application/postscript，52.44 KB。Figure_S2.eps：application/postscript，5.57 KB。数据集 DOI：10.1371/journal.pone.0087830。
【主题与分类】
源站学科分类：Biological Sciences、Medicine。主题标签：Computational biology、Ecosystem modeling、ecology、microbial ecology、microbiology、Medical microbiology、Diagnostic medicine、pathology、Clinical pathology、Clinical microbiology。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/_Machine_Learning_Techniques_Accurately_Classify_Microbial_Communities_by_Bacterial_Vaginosis_Characteristics_/924498
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Beck, Daniel; A. Foster, James (2016). Machine Learning Techniques Accurately Classify Microbial Communities by Bacterial Vaginosis Characteristics. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-06-01，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：Machine Learning Techniques Accurately Classify Microbial Communities by Bacterial Vaginosis Characteristics
- DOI：10.1371/journal.pone.0087830
- 发布日期：2014-02-03
- 文件数：2 个
- 文件总体积：58.01 KB
- 源站页面：https://plos.figshare.com/articles/dataset/_Machine_Learning_Techniques_Accurately_Classify_Microbial_Communities_by_Bacterial_Vaginosis_Characteristics_/924498
命令行下载
curl -L -o "Figure_S1.eps" "https://ndownloader.figshare.com/files/1374194"
curl -L -o "Figure_S2.eps" "https://ndownloader.figshare.com/files/1374195"
文件清单
Figure_S1.eps（52.44 KB）Figure_S2.eps（5.57 KB）
文件总体积 58.01 KB（源站 API 实测）。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据说明
Microbial communities are important to human health. Bacterial vaginosis (BV) is a disease associated with the vagina microbiome. While the causes of BV are unknown, the microbial community in the vagina appears to play a role. We use three different machine-learning techniques to classify microbial communities into BV categories. These three techniques include genetic programming (GP), random forests (RF), and logistic regression (LR). We evaluate the classification accuracy of each of these techniques on two different datasets. We then deconstruct the classification models to identify important features of the microbial community. We found that the classification models produced by the machine learning techniques obtained accuracies above 90% for Nugent score BV and above 80% for Amsel criteria BV. While the classification models identify largely different sets of important features, the shared features often agree with past research.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0087830（source: https://plos.figshare.com/articles/dataset/_Machine_Learning_Techniques_Accurately_Classify_Microbial_Communities_by_Bacterial_Vaginosis_Characteristics_/924498）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
