类型预测

单击所需的算法

• 决策树 　(Breiman et al .,1984) 　　构建 Classification And R外出 T雷斯. 它是通过递归分割 特征空间为一组非重叠区域,然后预测 最可能的因变量的值在每个地区. A 分类或回归树代表一组嵌套的if - then条件 用于预测分类(或连续依赖)变量的依赖 基于特征变量的观测　　值。车很容易受到　　过度拟合,因此不常用的微阵列数据.
• K-nearest-neighbors(法) 将一个未知样本分配 其表型标签最频繁在k最近表示 已知样本(Golub和Slonim et al .,1999)。在GenePattern,分析师可以 选择一个权重因子的“选票”最近的邻居。例如,一个 可能选票分量之间的距离的倒数的邻居。
• 概率神经网络(对) 计算的概率 一个未知样本属于一个给定的一组已知表型类 　　(陆et al .,2005;Specht,1990)。每个已知样本的贡献　　未知的表型类示例遵循一个高斯分布。 对可以视为Gaussian-weighted法分类器——已知的样本 接近未知样本对预测类有更大的影响力 未知的样本.
  
  对不是GenePattern公共服务器上. 对模块需要Windows操作系统。使用对GenePattern服务器和安装Windows机器上对模块.
• 支持向量机(SVM) 是专为多个类分类 　　(里夫金et al .,2003)。创建一个二进制算法支持向量机分类器　　通过计算每个类分离的最大利润超平面　　给定类的所有其他类;也就是说,最大的超平面　　距离最近的数据点。然后二元分类器　　结合　　成一个多级classfier。对于一个未知的示例,指定的类　　是最大的利润.
• 加权表决 　(Slonim et al .,2000)将一个未知样本　　使用一个简单的加权投票方案. 每个基因的分类器“投票” 　　表型类未知的样本。一个基因的投票权重　　通过它的表达与区分　　表型类的训练数据集.