生物信息学是应用机器学习算法的绝佳领域。在这里，我们拥有大量生物的遗传信息，因此无法手动分析所有这些信息。如果使用适当的机器学习算法，我们可以从这些数据中提取很多有用的信息。 Biopython提供了一组有用的算法来进行有监督的机器学习。

监督学习基于输入变量(X)和输出变量(Y)。它使用一种算法来学习从输入到输出的映射函数。它定义如下-

Y = f(X)

这种方法的主要目标是近似映射函数，当您拥有新的输入数据(x)时，可以预测该数据的输出变量(Y)。

逻辑回归模型

Logistic回归是一种受监督的机器学习算法。它用于使用预测变量的加权和找出K类之间的差异。它计算事件发生的可能性，并可用于癌症检测。

Biopython提供了Bio.LogisticRegression模块以基于Logistic回归算法预测变量。目前，Biopython仅对两个类别(K = 2)实现逻辑回归算法。

k最近邻居

k最近邻居也是一种受监督的机器学习算法。它通过根据最近的邻居对数据进行分类来工作。 Biopython提供了Bio.KNN模块来基于k最近邻算法预测变量。

朴素贝叶斯

朴素贝叶斯分类器是基于贝叶斯定理的分类算法的集合。它不是一个单一的算法，而是一系列算法，它们全部共享一个共同的原理，即，要分类的每一对特征彼此独立。 Biopython提供了Bio.NaiveBayes模块来与Naive Bayes算法一起使用。

马尔可夫模型

马尔可夫模型是定义为随机变量集合的数学系统，该随机变量根据某些概率规则经历从一种状态到另一种状态的转变。 Biopython提供了Bio.MarkovModel和Bio.HMM.MarkovModel模块来与Markov模型一起使用。