svdImpute(pcaMethods)
svdImpute()所属R语言包：pcaMethods
SVDimpute algorithm
SVDimpute算法
译者：生物统计家园网 机器人LoveR
描述----------Description----------
This implements the SVDimpute algorithm as proposed by Troyanskaya et al, 2001. The idea behind the algorithm is to estimate the missing values as a linear combination of the k most
这实现的SVDimpute的算法，由Troyanskaya等人，2001年提出。算法背后的想法是作为线性组合的的k最缺少的值估计
用法----------Usage----------
参数----------Arguments----------
参数：Matrix
matrix – Pre-processed (centered, scaled) data with variables in columns and observations in rows. The data may contain missing values, denoted as NA.
matrix - 预加工（居中，缩放）列和行中的观测变量的数据。数据可能包含缺失值，记为NA。
参数：nPcs
numeric – Number of components to estimate. The preciseness of the missing value estimation depends on the number of components, which should resemble the internal structure of the data.
numeric - 组件的数量估计。严谨的缺失值估计取决于元件的数量，应该像数据的内部结构。
参数：threshold
The iteration stops if the change in the matrix falls below this threshold.
迭代停止在矩阵的变化，如果低于这个阈值。
参数：maxSteps
Maximum number of iteration steps.
最大迭代步数。
参数：verbose
Print some output if TRUE.
如果为TRUE，打印一些输出。
参数：...
Reserved for parameters used in future version of the algorithm </table>
保留在未来版本的算法中使用的参数</ TABLE>
Details
详情----------Details----------
Missing values are denoted as NA. It is not recommended to use this function directely but rather to use the pca() wrapper function.
遗漏值表示为NA。这是不建议使用此功能directely而是使用PCA（）包装功能。
As SVD can only be performed on complete matrices, all missing values are initially replaced by 0 (what is in fact the mean on centred data). The algorithm works iteratively until the change in the estimated solution falls below a certain threshold. Each step the eigengenes of the current estimate are calculated and used to determine a new estimate. Eigengenes denote the loadings if pca is performed considering variable (for Microarray data genes) as observations.
作为只能在完整的矩阵进行奇异值分解，所有缺失值初步改为0（实际上是什么中心的数据的平均值）。该算法的工作原理，反复直到低于某一阈值估计的解决方案中的变化。计算每一步目前估计eigengenes的是用来确定一个新的估计。 eigengenes表示如果PCA进行考虑为观测变量（微阵列数据基因）的负载量。
An optimal linear combination is found by regressing the incomplete variable against the k most significant eigengenes. If the value at position j is missing, the j^th value of the eigengenes is not used when
一个最佳的线性组合，发现倒退对k最显着的eigengenes不全的变量。如果在位置值j缺少的j^th的eigengenes的价值是不使用时
值----------Value----------
Standard PCA result object used by all PCA-based methods of this package. Contains scores, loadings, data mean and
使用这个包的所有基于PCA方法的标准PCA结果对象。包含分数，载荷，数据的意思，
注意----------Note----------
Each iteration, standard PCA (prcomp) needs to be done for each incomplete variable to get the eigengenes. This is usually fast for small data sets, but complexity may rise if the
每次迭代，标准PCA（prcomp）必须为每个完整的变量来得到eigengenes。这通常是快速小数据集，但复杂性可能上升，如果
作者（S）----------Author(s)----------
Wolfram Stacklies
参考文献----------References----------
P. and Hastie T. and Tibshirani R. and Botstein D. and Altman RB. - Missing value estimation methods for DNA
举例----------Examples----------
data(metaboliteData)
## Perform svdImpute using the 3 largest components[＃执行svdImpute的使用3个最大的组成部分]
result <- pca(metaboliteData, method="svdImpute", nPcs=3, center = TRUE)
## Get the estimated complete observations[＃获取估计完整的意见。]
cObs <- completeObs(result)
## Now plot the scores[＃现在绘制的分数]
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 2012-2-26 10:54:30
