Klastrowanie, klasyfikacja

More documents

Recommendations

Info

Liniowa analiza dyskryminacyjna (LDA)• Wyznaczana jest linia prosta (w 2D) lub hiperpłaszczyzna (dla więcejniż 2 wymiarów), która rozdziela dwie znane klasy i minimalizujewariancję wewnątrz klasy po obu stronach linii/płaszczyznydzielącej oraz maksymalizuje wariancję pomiędzy klasami• Nowa, nieznana próbka będzie miała przydzieloną klasę wzależności od tego, po której stronie podziałki się znajduje• LDA jest mocno rozbudowaną metodą statystyczną• Można rozdzielać tylko dwie klasy• Klasy muszą być separowalne liniowo
Support vector machines (SVM)SVM podobnie jak LDA rozdzielają liniowo przestrzeń na dwie częściKtóry podział jestnajlepszy?
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 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 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?