โโโ ATP_Interactions
โย ย โโโ Script.py
โย ย โโโ train.data
โโโ AntiFungal_Peptides
โย ย โโโ AAC_test.csv
โย ย โโโ AAC_train.csv
โย ย โโโ CellBots_SVM.py
โย ย โโโ DP2F_test.csv
โย ย โโโ DP2F_train.csv
โย ย โโโ test.csv
โย ย โโโ train.csv
โโโ DNA_Sequence_Matching
โย ย โโโ 1ifp.pdb
โย ย โโโ DNA.fa
โย ย โโโ Q1.py
โย ย โโโ Q2.py
โย ย โโโ Q3.py
โย ย โโโ protein.fa
โโโ Interacting_Patterns
โย ย โโโ 58_script.py
โย ย โโโ README.pdf
โย ย โโโ test_data.csv
โย ย โโโ train_data.csv
โโโ Peptide_Classification
โย ย โโโ 58_script.py
โย ย โโโ README.pdf
โย ย โโโ test.csv
โย ย โโโ train.csv
โโโ README.md
Aim to predict ATP interacting residues in a protein. Kaggle
Model : Balanced Bagging Classifier with SVM(C=2, gamma=0.1, Kernel="rbf")
Score : 0.65072
Aim to predict AntiFungal Peptides. Kaggle
Model : SVM(C = 5 , gamma = 0.003)
Score : 0.86444
Aim to predict Interacting Peptideds. Kaggle
Model : estimators = [ ('rf', RandomForestClassifier(n_estimators=300, max_depth=45, min_samples_leaf=7, random_state=r)), ('mlp', MLPClassifier(max_iter=200,random_state=r)), ('knn', KNeighborsClassifier(n_neighbors=4))]
clf = StackingClassifier(estimators=estimators, final_estimator=LogisticRegression( random_state=r), n_jobs=-1, verbose = 3)
Score : 0.64764
Aim to classify Peptides. Kaggle
Model : BaggingClassifier(base_estimator = RandomForestClassifier(random_state = 2), n_estimators = 100, random_state = 2, n_jobs = -1)
Score : 0.78620
Computations on DNA Sequences.
python Qx.py -i __inputFile__ -o __outputFile__