eddObsolete(edd)
eddObsolete()所属R语言包：edd
Expression Density Diagnostics
表达密度诊断
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Classify cohort distributions of gene expression values.
基因表达值的分类队列分布。
用法----------Usage----------
eddObsolete(eset,
ref=c("multiCand", "uniCand", "test", "nnet")[1],
k=10, l=6, nnsize=6, nniter=200)
参数----------Arguments----------
参数：eset
instance of Biobase class ExpressionSet.
BIOBASE类ExpressionSet实例。
参数：ref
one of 'multiCand', 'uniCand', 'test' or 'nnet'. see details.
一个“multiCand，uniCand，测试或nnet。查看详细信息。
参数：k
k setting for knn – number of nearest neighbors to poll.
KNNķ设置 - 近邻轮询数。
参数：l
l setting for knn – minimum number of concordant assents.
升KNN - 设置一致承认并同意的最低数量。
参数：nnsize
size parameter for nnet.
大小参数nnet。
参数：nniter
iter setting for nnet.
ITER设置为nnet。
Details
详情----------Details----------
Four options are available for classifying expression densities. Data on each gene are shifted and scaled to have median zero and mad 1. They are then compared to shapes of reference distributions (standard Gaussian, chisq(1), lognorm(0,1), t(3), .75N0,1+.25N4,1, .25N0,1+.75N4,1, Beta(2,8), Beta(8,2), U(0,1)) after each of these has been transformed to have median 0 and mad 1. Classification proceeds by one of four methods, selected by setting of the 'ref' argument. Suppose there are S samples in the ExpressionSet.
四个选项都表达密度进行分类。每个基因上的数据转移和缩放有位数的零和疯狂。然后，他们相比，参考分布（高斯标准，chisq（1），lognorm（0,1），T（3），0.75 N0期，1 + 0.25 N4的，1，.25 N0期，1 + 1 0.75 N4的，形状， β（2,8），β（8,2），ü（0,1））后，这些已转化为有中位数0狂1。分类所得的四种方法之一，选择通过设置号的说法。假设有在ExpressionSet的样品。
multiCand – 100 samples of size S are drawn from each reference distribution and then scaled to med 0, mad 1. The knn(k,l) procedure is used to classify the genes based on proximity to representatives in this set.
multiCand - 100大小S的样品来自每个参考分布，然后缩放到MED 0，1狂。 KNN（K，L）过程用来接近代表在本集为基础的基因分类。
uniCand – one representative of size S is created from each reference distribution, using the theoretical quantiles. knn(1,0) is used to classify genes based on proximity to these representatives.
创建从每个参考分布uniCand - 大小S代表之一，使用理论位数。 KNN（1,0）用于分类基于接近这些代表的基因。
test – classification of each gene is based on maximum p-value of Kolmogorov-Smirnov tests vs each reference distribution. If the p-value never exceeds .1, 'doubt' is declared.
测试 - 每一个基因的分类是根据每个参考分布与柯尔莫哥洛夫 - 斯米尔诺夫测试最大p值。如果p值不会超过0.1，“怀疑”被宣布。
nnet – 100 samples of size S are drawn from each reference distribution and then scaled to med 0, mad 1. A neural net is fit to this dataset and the associated labels. The net is then applied to the scaled gene expression data and the predictions are used for classification.
nnet - 100大小S的样品来自每个参考分布，然后缩放到MED 0，1狂。一个神经网络是适合此数据集和相关的标签。净，然后应用规模的基因表达数据，并用于分类的预测。
值----------Value----------
the vector of classifications, with NAs for nonclassifiable genes
与NAS的分类，nonclassifiable基因的向量
作者（S）----------Author(s)----------
VJ Carey
举例----------Examples----------
require(Biobase)
data(sample.ExpressionSet)
print(summary(eddObsolete(sample.ExpressionSet,k=10,l=2)))
# 6 x 20 x 50 test problem[6×20×50的测试问题]
set.seed(1234)
test <- matrix(NA,nr=120,nc=50)
test[1:20,] <- rnorm(1000)
test[21:40,] <- rt(1000,3)
test[41:60,] <- rexp(1000,4)
test[61:80,] <- rmixnorm(1000,.750,0,1,4,1)
test[81:100,] <- runif(1000)
test[101:120,] <- rlnorm(1000)
labs <- c(rep("n01",20),rep("t3",20),
rep("exp",20),rep("mix1",20),rep("u01",20),rep("ln01",20))
phenoData <- new("AnnotatedDataFrame")
pData(phenoData) <- data.frame(1:50)
varLabels(phenoData) <- list("Col1")
TT <- new("ExpressionSet", exprs=test, phenoData = phenoData)
multrun <- eddObsolete(TT, k=10, l=2)
print(table(given=labs, multiCand=multrun))
netrun <- eddObsolete(TT, ref="nnet")
print(table(given=labs, netout=netrun))
newrun <- edd(TT, meth="nnet", size=10, decay=.2)
print(table(given=labs, newout=newrun))
newrun <- edd(TT, meth="test")
print(table(given=labs, newout=newrun))
转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。
注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。
|
发表于 2012-2-25 17:01:54
