数据与复现生物信息与基因组学FreedomIntelligence/OpenClaw-Medical-Skills数据与复现

bio-machine-learning-omics-classifiers

维护者 FreedomIntelligence · 最近更新 2026年4月1日

Train classifiers on omics data: random forest, SVM, XGBoost.

OpenClawNanoClaw分析处理复现实验bio-machine-learning-omics-classifiers🧠 bioos extended suitebioos extended bioinformatics suitetrain

原始来源

FreedomIntelligence/OpenClaw-Medical-Skills

https://github.com/FreedomIntelligence/OpenClaw-Medical-Skills/tree/main/skills/bio-machine-learning-omics-classifiers

维护者: FreedomIntelligence
许可: MIT
最近更新: 2026年4月1日

技能摘要

来自 SKILL.md 的关键信息

2 min

核心说明

xgb = XGBClassifier( n_estimators=100，max_depth=6，learning_rate=0.1，random_state=42，# NOT seed n_jobs=-1，# NOT nthread eval_metric='logloss' )。
pipe = Pipeline([('scaler'，StandardScaler())，('clf'，xgb)]) pipe.fit(X_train，y_train)。
logit = Logistic回归CV( Cs=10，cv=5，penalty='l1'，solver='saga'，max_iter=1000，random_state=42 ) pipe = Pipeline([('scaler'，StandardScaler())，('clf'，logit)]) pipe.fit(X_train，y_train)。

原始文档

SKILL.md 摘录

XGBoost Classifier

from xgboost import XGBClassifier

## Logistic Regression with Regularization

```python
from sklearn.linear_model import LogisticRegressionCV

## Get selected features (nonzero coefficients)

feature_mask = logit.coef_[0] != 0
selected = X.columns[feature_mask]

适用场景

Use bio-machine-learning-omics-classifiers ，用于 genomics 、 bioinformatics workflows。
Apply bio-machine-learning-omics-classifiers to sequencing，variant，或 omics analysis tasks。