技術服務熱線:800-820-5086 | 400-880-5086 登錄 | 注冊 ENGLISH

-分子建模預測

Demo結果

 

Demo結果解讀

選用了目前主流的分類器(比如SVM,KNN)以及篩選特征值的方法(貪婪算法)篩選并建立穩定的模型,幫助客戶篩選到靈敏度與特異性高的maker。

 

分子建模預測

采用模式識別與數據挖掘技術有效進行模型的構建,將部分數據拿來做訓練集預測模型,然后部分數據作為測試數據集(獨立樣本)來驗證模型的準確性。目的在于利用實驗數據來篩選出一批靶標基因,并以此構建模型。小樣本數據的建模在于篩選并評判maker的穩定性,便于后期實驗驗證;大樣本數據的建模用于進行早期診斷、疾病預測。采用方法分為:線性分類器以及非線性分類器,并利用了Leave-one-out cross-validation (LOOCV)以及cross-validated misclassification error rate的篩選策略找到優選MARKER。

 

分析要求

  1. 小樣本建模:樣本數在20以上;
  2. 大樣本建模:樣本數在100以上;
  3. 數據類型:表達,甲基化,CNV,SNP均可。

 

提供結果

  1. 圖片格式:ROC曲線圖,TIFF格式;
  2. 文本文件:樣本的分類情況,靈敏度與特異性,maker的權重(線性分類器結果)。
相扑君的逆袭电子游戏 黑龙江快乐10 将军夫人喊你去赚钱28 泡泡堂 为了赚钱 pk10 34567梭哈玩法 注册赠分的捕鱼平台24小时在线 安徽快三走势图和值 手机寒江博堂 时时彩组三稳赚方法 快乐12走势自贡 1000炮打鱼游戏机 彩铅36色还是48色更好 幸运28挂机4种模式 广东11选5任二在线计划 现在最新的赚钱方式和赚錢项目 快乐10分怎么玩 小鱼赚钱的高额任务