Repository of colleges and higher education institutions

Search the repository
A+ | A- | Help | SLO | ENG

Query: search in
search in
search in
search in

Options:
  Reset


1 - 1 / 1
First pagePrevious page1Next pageLast page
1.
Uvrščanje in diskretizacija mnogorazsežnih mikromrežnih DNA-podatkovij
Andrej Kastrin, 2015

Abstract: Tehnologija DNA-mikromrež je danes dostopna v vsakem bolje opremljenem biomedicinskem laboratoriju. Kljub dovršenosti postopkov je statistična analiza mikromrežnih DNA-podatkovij za statistika še zmeraj velik izziv. Mikromrežno podatkovje opišemo z matriko razsežnosti n p, kjer se vrstice matrike nanašajo na posamezne primere, stolpci pa na proučevane gene. Velja, da je n << p. Na osnovi analize geometrijskih lastnosti mnogorazsežnih podatkovnih objektov lahko pokažemo, da je v tem primeru podatkovni prostor zelo redek. Fenomenu praznega prostora se poskušamo izogniti z uporabo metod za krčenje podatkovne strukture. Empirična evidenca razkriva, da na področju statistične analize mikromrežnih DNA-podatkovij sistematična raziskava, ki bi proučevala vpliv metod za krčenje podatkovnih struktur, še ni bila opravljena. Prav tako ostaja odprto vprašanje smiselnosti diskretizacije mikromrežnih podatkov. V doktorski nalogi smo obravnavali tri problemske naloge. V prvem sklopu eksperimentov smo proučili kakovost različnih klasifikatorjev v nalogi uvrščanja primerov v dva vnaprej podana razreda. Uporabili smo nekatere najpogosteje uporabljene metode, kot so nevronske mreže, metoda najbližjih sosedov, klasifikacijska drevesa s slučajnimi gozdovi, metoda podpornih vektorjev, logistična regresija s kaznijo ter tri izpeljanke linearne diskriminantne analize (Fisherjeva, klasična in diagonalna). V drugi problemski nalogi smo analizirali vpliv metod za krčenje števila razsežnosti na uvrščanje. Podrobno smo proučili vpliv analize glavnih komponent in metode delnih najmanjših kvadratov na kakovost uvrščanja. V tretjem sklopu smo se ukvarjali s proučevanjem vpliva diskretizacije neodvisnih spremenljivk na uvrščanje. V analizo smo vključili nekatere najpogosteje uporabljene algoritme diskretizacije, kot so metode enake širine intervalov, enake zastopanosti intervalov, 1R, MDLP in ChiMerge. Eksperimente smo izvedli nad 37 realnimi DNA-podatkovji. Vpliv metode uvrščanja in izbire spremenljivk smo ovrednotili tudi nad sintetičnimi podatki. Izbor parametrov uvrščanja in ovrednotenje kakovosti uvrščanja smo opravili po shemi prečnega preverjanja. Kakovost smo izrazili s štirimi merami: točnostjo uvrščanja, občutljivostjo, specifičnostjo in ploščino pod ROC-krivuljo. Pri uvrščanju realnih mikromrežnih podatkovij se najbolje odreže logistična regresija s kaznijo, najslabše pa nevronske mreže. Nad sintetičnimi podatkovji po kakovosti izstopa metoda podpornih vektorjev. Med metodama krčenja podatkovne matrike glede na kakovost uvrščanja ni statistično značilnih razlik (z izjemo ploščine pod ROC-krivuljo). Med metodami diskretizacije se glede na uvrščanje najbolje odrežeta metodi MDLP in ChiMerge. Po našem védenju in dostopni empirični evidenci gre za prvo raziskavo na tako velikem številu mikromrežnih podatkovij.
Found in: ključnih besedah
Keywords: računska statistika, biostatistika, bioinformatika, strojno učenje, analiza DNA-mikromrež, uvrščanje podatkov, diskretizacija spremenljivk
Published: 21.08.2018; Views: 2791; Downloads: 147
.pdf Fulltext (2,87 MB)

Search done in 0 sec.
Back to top