Klastrowanie, klasyfikacja

More documents

Recommendations

Info

Odrzucenie hipotezyzerowejNie-odrzucenie hipotezyzerowejHipoteza zerowa (H 0 )jest prawdziwaFalse positiveBłąd I typuTrue positivepoprawneHipoteza zerowa (H 0 )jest fałszywaTrue negativepoprawneFalse negativeBłąd II typuSwoistość -specificityMoc testu -sensitivity
Testy parametryczne (dla danych z rozkładem normalnym)test t sparowanytest t niesparowanyTesty nieparametryczneTest Wilcoxona dla par obserwacji(Wilcoxon sign-rank test)Test Manna-Whitneya = test sumy rangWilcoxona(Wilcoxon rank-sum test)Bootstrap – pozwala ominąćzałożenie o rozkładzienormalnym danych(mulitifactor)Anovagdy mamy więcejniż 2 warunki (2rodzaje próbek)do porównaniaeBayes – gdy jest zbytmało powtórzeń i niemożna wyznaczyćwariancjimodel liniowyorazzłagodzona statystyka t
Page 1 and 2: ANALIZA GRUPY GENÓWANALIZA SKUPIE
Page 3 and 4: Cała populacja vs wybrane osobniki
Page 5: Testy statystyczneKażdy test hipot
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 58 and 59:
Analiza eksploracji danych - podsum
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?