Semantic-Forest-lab

SMILES 기반 분자 구조를 Drug Target Ontology (DTO) 기반 온톨로지로 변환한 뒤, 설명가능한 결정트리를 배깅(bootstrap aggregating) 으로 학습해 분류 성능을 높이는 실험 레포입니다.

이 레포는 알고리즘별 버전을 하나의 프로젝트 안에서 관리합니다:

• ID3: Information Gain (information_gain)
• C4.5: Gain Ratio (gain_ratio)
• CART: Gini impurity (gini)

주요 특징

• 단일 레포 다중 알고리즘 버전 관리: ID3/C4.5/CART 공존
• 알고리즘 프로파일 기반 실행: configs/algorithms/*.json
• 온톨로지 기반: Drug Target Ontology를 활용한 의미론적 결정트리
• Random Forest: 배깅을 통한 앙상블 학습으로 성능 향상
• 설명 가능성: 의사결정 과정을 명확하게 추적 가능

단일 트리로 학습하는 버전은 별도 레포로 분리했습니다:

• https://github.com/thkim-01/Semantic-Decision-Tree

개발 환경

• Python: 3.9+
• 주요 의존성: owlready2, rdkit, scikit-learn, pandas, numpy
• 선택 의존성(가속): torch (CUDA 가능 환경에서 GPU 사용)

설치

pip install -r requirements.txt

# (선택) PyTorch 가속 사용 시
# pip install torch

빠른 시작 (Quick Start)

0. 알고리즘 버전 실행 (권장)

# ID3 버전 실행
python experiments/run_semantic_forest_lab.py --algorithm id3

# C4.5 버전 실행
python experiments/run_semantic_forest_lab.py --algorithm c45

# CART 버전 실행
python experiments/run_semantic_forest_lab.py --algorithm cart

# (선택) torch 백엔드 사용
python experiments/run_semantic_forest_lab.py --algorithm id3 --compute-backend torch --torch-device auto

참고: 현재 코드의 주요 병목 중 일부는 온톨로지 객체 순회/정제(refinement) 판정 로직입니다. PyTorch 가속은 impurity/entropy 계산을 우선 가속하며, 전체 파이프라인을 완전 GPU-only로 바꾸지는 않습니다.

1. 단일 데이터셋 테스트 (BBBP)

# BBBP 데이터셋으로 Semantic Forest 학습 및 평가
python experiments/verify_semantic_forest.py --split-criterion information_gain

2. 전체 벤치마크 실행

# 모든 데이터셋에 대해 성능 평가
python experiments/verify_semantic_forest_multi.py

# 결과는 output/semantic_forest_benchmark.csv에 저장됩니다

3. 커스텀 설정으로 실행

# 특정 데이터셋만 실행
python experiments/verify_semantic_forest_multi.py --datasets bbbp,clintox

# 트리 개수 및 깊이 조정
python experiments/verify_semantic_forest_multi.py --n-estimators 50 --max-depth 8

# 분할 기준 변경
python experiments/verify_semantic_forest_multi.py --split-criterion information_gain
python experiments/verify_semantic_forest_multi.py --split-criterion gain_ratio
python experiments/verify_semantic_forest_multi.py --split-criterion gini

# 알고리즘 이름으로 실행 (권장)
python experiments/verify_semantic_forest_multi.py --algorithm id3
python experiments/verify_semantic_forest_multi.py --algorithm c45
python experiments/verify_semantic_forest_multi.py --algorithm cart

버전 구조

configs/algorithms/
	id3.json
	c45.json
	cart.json
src/algorithms/
	profiles.py
experiments/
	run_semantic_forest_lab.py

알고리즘 설명

ID3 (Iterative Dichotomiser 3)

• 분할 기준: Information Gain을 사용하여 최적의 분할 지점 선택
• Entropy: $H(S) = -\sum_{i=1}^{n} p_i \log_2 p_i$
• Information Gain: $IG(S, A) = H(S) - \sum_{v \in Values(A)} \frac{|S_v|}{|S|} H(S_v)$
• 특징: 해석이 직관적이며 엔트로피 기반으로 불확실성 감소를 최대화

C4.5

• 분할 기준: Gain Ratio
• 핵심 아이디어: Information Gain을 split info로 정규화

CART

• 분할 기준: Gini impurity
• Gini impurity: $Gini = 1 - \sum_{i=1}^{n} p_i^2$

처리 과정

1. 입력: data/ 디렉토리의 CSV 파일 (예: data/bbbp/BBBP.csv)
2. 전처리: SMILES → RDKit을 통한 분자 피처 추출
3. 온톨로지 변환: DTO 기반 온톨로지 인스턴스 생성
4. 학습: ID3 정보이득 기준으로 여러 트리 학습 (배깅)
5. 평가: AUC-ROC, Accuracy 등 성능 지표 계산

데이터셋

지원하는 데이터셋:

• BBBP (Blood-Brain Barrier Penetration)
• BACE (β-secretase inhibitors)
• ClinTox (Clinical toxicity)
• HIV (HIV replication inhibition)
• Tox21 (Toxicity prediction)
• SIDER (Side effects)
• 기타 분자 특성 예측 데이터셋

출력 결과

• 콘솔 로그: 학습 진행 상황 및 성능 지표
• CSV 파일: output/semantic_forest_benchmark.csv - 전체 벤치마크 결과
• 요약 파일: 개별 실험 결과 요약

라이센스

본 프로젝트는 연구 및 교육 목적으로 사용 가능합니다.