Klastrowanie, klasyfikacja

More documents

Recommendations

Info

• Próbki tworzą jasny wzorzecna wykresie PCA• Jeśli byśmy patrzyli tylko napierwszą składową (oś X) topunkty czasowe 7, 9 i 11 byłybynierozróżnialne• Trzy ostatnie punkty czasowewskazują że jest pewienproces, który zostajezatrzymany po 5h i następujepowrót do stanupoczątkowegoPierwsze 5 głównychskładowych wyjaśniacałkowitąróżnorodność pośród 1000 genów, a 88% różnorodności jest wyjaśnione przez 2główne składowe na rysunku powyżej
Page 1 and 2: ANALIZA GRUPY GENÓWANALIZA SKUPIE
Page 3 and 4: Cała populacja vs wybrane osobniki
Page 5 and 6: Testy statystyczneKażdy test hipot
Page 7 and 8: Testy parametryczne (dla danych z r
Page 9 and 10: Kontrolowanie false positives• Fa
Page 11 and 12: Dwa sposoby patrzenia na dane• Pa
Page 13 and 14: Klasyfikacja czy klastrowanieKlastr
Page 15 and 16: Metody eksploracji danychMetody obe
Page 17 and 18: Analiza klastrowa• Klastrowanie k
Page 19 and 20: Cechy miary odległości (distance
Page 21 and 22: Odległość miejska - Manhattand x
Page 23 and 24: Korelacja Pearsona i SpearmanaKorel
Page 25 and 26: Korelacja, a miara odległościr xy
Page 27 and 28: Przykład - porównanie miarOdległ
Page 29 and 30: Przykład - porównanie miarOdległ
Page 31 and 32: Porównanie miar
Page 33 and 34: PCA - przykład
Page 35 and 36: Macierz kowariancjiMacierz pokazuje
Page 37: PCA - przykład dla mikromacierzy
Page 41 and 42: Multidimensional Scaling plot (MDS)
Page 43 and 44: Hierarchiczne klastrowanieHierarchi
Page 45 and 46: Hierarchiczne klastrowanieHeatmap i
Page 47 and 48: K-meansCechy charakterystyczne dla
Page 49 and 50: Partitioning around medoids (PAM)Al
Page 51 and 52: Jak wybrać liczbę klastrów k?•
Page 53 and 54: Jak wybrać liczbę klastrów k?
Page 55 and 56: Nawet proste algorytmy klastrowania
Page 57 and 58: Wybór genów dla klastrowaniaJest
Page 59 and 60: KlasyfikacjaAnaliza dyskryminacyjna
Page 61 and 62: Analiza dyskryminacyjna
Page 63 and 64: Receiver Operating Characteristic (
Page 65 and 66: Które geny wybrać do tworzenia wz
Page 67 and 68: Czy dane można rozdzielić?• Dan
Page 69 and 70: Centroid classification• Dla każ
Page 71 and 72: Support vector machines (SVM)SVM po
Page 73 and 74: Support vector machines (SVM)Najlep
Page 75 and 76: Support vector machines (SVM)Załó
Page 77: Materiały:• Jőrg Rahnenfűhrer

Klastrowanie, klasyfikacja

Create successful ePaper yourself

Delete template?

Save as template?