完整FScanpy包

FScanpy.egg-info/PKG-INFO

@@ -0,0 +1,14 @@
+Metadata-Version: 2.4
+Name: FScanpy
+Version: 1.0.0
+Summary: PRF prediction tool
+Author: FScanpy Developer
+Author-email: FScanpy Developer <example@example.com>
+Requires-Python: >=3.7
+Requires-Dist: numpy
+Requires-Dist: pandas
+Requires-Dist: tensorflow
+Requires-Dist: scikit-learn
+Requires-Dist: wrapt>=1.10.11
+Dynamic: author
+Dynamic: requires-python

FScanpy.egg-info/SOURCES.txt

@@ -0,0 +1,14 @@
+README.md
+pyproject.toml
+setup.py
+FScanpy/__init__.py
+FScanpy/predictor.py
+FScanpy/utils.py
+FScanpy.egg-info/PKG-INFO
+FScanpy.egg-info/SOURCES.txt
+FScanpy.egg-info/dependency_links.txt
+FScanpy.egg-info/requires.txt
+FScanpy.egg-info/top_level.txt
+FScanpy/features/__init__.py
+FScanpy/features/cnn_input.py
+FScanpy/features/sequence.py

FScanpy.egg-info/dependency_links.txt

@@ -0,0 +1 @@
+

FScanpy.egg-info/requires.txt

@@ -0,0 +1,5 @@
+numpy
+pandas
+tensorflow
+scikit-learn
+wrapt>=1.10.11

FScanpy.egg-info/top_level.txt

@@ -0,0 +1 @@
+FScanpy

FScanpy/predictor.py

@@ -26,11 +26,8 @@ class PRFPredictor:
         try:
             # 加载模型
             self.gb_model = self._load_pickle(os.path.join(model_dir, 'GradientBoosting_all.pkl'))
-
             self.cnn_model = self._load_pickle(os.path.join(model_dir, 'BiLSTM-CNN_all.pkl'))
-
-            self.voting_model = self._load_pickle(os.path.join(model_dir, 'Voting_all.pkl'))
-
+            
             # 初始化特征提取器和CNN处理器，使用与训练时相同的序列长度
             self.gb_seq_length = 33  # HistGradientBoosting使用的序列长度
             self.cnn_seq_length = 399  # BiLSTM-CNN使用的序列长度
@@ -145,14 +142,12 @@ class PRFPredictor:
                 # 出错时设置概率为0
                 cnn_prob = 0.0
 
-            # 投票模型预测
+            # 使用4:6的加权平均替代投票模型
             try:
-                # 确保投票模型输入是二维数组 (1, n_features)
-                voting_input = np.array([[gb_prob, cnn_prob]])
-                voting_prob = self.voting_model.predict_proba(voting_input)[0][1]
+                voting_prob = 0.4 * gb_prob + 0.6 * cnn_prob
             except Exception as e:
-                print(f"投票模型预测时出错: {str(e)}")
-                # 出错时使用两个模型的平均值
+                print(f"计算加权平均时出错: {str(e)}")
+                # 出错时使用简单平均
                 voting_prob = (gb_prob + cnn_prob) / 2
             
             return {
@@ -373,14 +368,12 @@ class PRFPredictor:
                         # 出错时设置概率为0
                         cnn_prob = 0.0
                     
-                    # 投票模型预测
+                    # 使用4:6的加权平均替代投票模型
                     try:
-                        # 确保投票模型输入是二维数组 (1, n_features)
-                        voting_input = np.array([[gb_prob, cnn_prob]])
-                        voting_prob = self.voting_model.predict_proba(voting_input)[0][1]
+                        voting_prob = 0.4 * gb_prob + 0.6 * cnn_prob
                     except Exception as e:
-                        print(f"投票模型预测序列 {i+1} 时出错: {str(e)}")
-                        # 出错时使用两个模型的平均值
+                        print(f"计算加权平均时出错: {str(e)}")
+                        # 出错时使用简单平均
                         voting_prob = (gb_prob + cnn_prob) / 2
                     
                     results.append({