Klastrowanie, klasyfikacja

More documents

Recommendations

Info

Analiza eksploracji danych - podsumowanie• Poszukiwanie genów o podobnym profilu ekspresji dla kilku próbek• Geny, które uległy podobnej ekspresji (co-expression) z dużymprawdopodobieństwem są regulowane przez te same czynniki lubteż maja podobną funkcję• Metody eksploracji danych znajdą jakieś wzorce w danych, nieważne, czy będą one znaczące dla nas czy też nie• Metody obejmują klastrowanie (np. hierachiczne, podział, k-średnich) oraz projekcję (principal component analysis, skalowaniewielowymiarowe)• Taki rodzaj analizy powinien być używany tylko w przypadku, gdynie mamy żadnej wiedzy, którą moglibyśmy wykorzystać
KlasyfikacjaAnaliza dyskryminacyjna: KLASY ZNANE<strong>Klastrowanie</strong>:KLASY NIEZNANE
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 and 38: PCA - przykład dla mikromacierzy
Page 40 and 41: Multidimensional Scaling plot (MDS)
Page 42 and 43: Algorytmy klastrowania• Popularne
Page 44 and 45: Hierarchiczne klastrowanie• Wyzna
Page 46 and 47: Hierarchiczne klastrowanie
Page 48 and 49: K-meansAlgorytm:1. Wybierz liczbę
Page 50 and 51: Self-Organizing Maps (SOM)SOM słu
Page 52 and 53: Jak wybrać liczbę klastrów k?Ave
Page 54 and 55: W jaki sposób ocenić jakość kla
Page 56 and 57: Wybór genów dla klastrowaniaJest
Page 60 and 61: Analiza dyskryminacyjnaMamy: po kil
Page 62 and 63: Ocena klasyfikatorówDla klasyfikac
Page 64 and 65: Sposoby na tworzenie klasyfikatoró
Page 66 and 67: Czy dane można rozdzielić?Separow
Page 68 and 69: K- nearest neighbors• Patrzymy na
Page 70 and 71: Liniowa analiza dyskryminacyjna (LD
Page 72 and 73: Support vector machines (SVM)Najlep
Page 74 and 75: Support vector machines (SVM)SVM je
Page 76 and 77: Support vector machines (SVM)Nie po
show all

Klastrowanie, klasyfikacja

Create successful ePaper yourself

Delete template?

Save as template?