R语言 nem包 nem()函数中文帮助文档(中英文对照)

loveR

nem(nem)
nem()所属R语言包：nem

                                        Nested Effects Models - main function
                                         嵌套效应模型 - 主要功能

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

The main function to perform model learning from data
执行从数据模型学习的主要功能


用法----------Usage----------


nem(D,inference="nem.greedy",models=NULL,control=set.default.parameters(setdiff(unique(colnames(D)),"time")), verbose=TRUE)

## S3 method for class 'nem'
print(x, ...)



参数----------Arguments----------

参数：D
data matrix with experiments in the columns (binary or continious)
矩阵中列的实验数据（二进制或305.11）


参数：inference
search to use exhaustive enumeration, triples for triple-based inference, pairwise for the pairwise heuristic, ModuleNetwork for the module based inference, nem.greedy for greedy hillclimbing, nem.greedyMAP for alternating MAP optimization using log odds or log p-value densities
search使用详尽列举，triples三重基于推理，pairwise为成对启发式，ModuleNetwork的模块为基础的推理，nem.greedy贪婪hillclimbing ，nem.greedyMAPp值交替图优化log赔率或log密度


参数：models
a list of adjacency matrices for model search. If NULL, an  exhaustive enumeration of all possible models is performed.
邻接矩阵模型搜索列表。如果为NULL，详尽列举所有可能的模式进行。


参数：control
list of parameters: see set.default.parameters
参数列表：看到set.default.parameters


参数：verbose
do you want to see progression statements? Default: TRUE
你想看到进展的报表？默认：true


参数：x
nem object
NEM对象


参数：...
other arguments to pass
其他参数传递


Details

详情----------Details----------

If parameter Pm != NULL and parameter lambda == 0, a Bayesian approach to include prior knowledge is used. Alternatively, the regularization parameter lambda can be tuned in a model selection step via the function nemModelSelection using the BIC criterion.  If automated subset selection of effect reporters is used and parameter type == CONTmLLMAP, the regularization parameter delta is tuned via the AIC model selection criterion. Otherwise, an iterative algorithm is executed, which in an alternating optimization scheme reconstructs a network given the current set of effect reporters and then selects the effect reporters having the highest likelihood under the given network. The procedure is run until convergence.
如果参数时！= NULL和参数的lambda == 0，贝叶斯方法，包括事先了解使用。另外，正规化参数的lambda可以通过模式选择功能nemModelSelection使用的BIC准则一步调整。如果效果记者自动化子集选择和参数类型== CONTmLLMAP，正规化参数Delta的调谐通过AIC模型选择标准。否则，一个迭代算法执行时，在交替的优化方案，重建当前影响记者网络，然后选择效果记者，根据给定的网络中有最高的可能性。正在运行的程序，直到收敛。

The function plot.nem plots the inferred phenotypic hierarchy as a directed graph, the likelihood distribution of the models (only for exhaustive search) or the posterior position of the effected genes.  
函数plot.nem图推断为一个有向图，该车型的可能性分布（只适用于穷举搜索）或受影响的基因后位置的表型层次。


值----------Value----------


参数：graph
the inferred directed graph (graphNEL object)   
推断的指示图（graphNEL对象）


参数：mLL
log posterior marginal likelihood of final model  
登录后最终模型的边际可能性


参数：pos
posterior over effect positions
后路以上效果的位置


参数：mappos
MAP estimate of effect positions   
MAP估计效果立场


参数：selected
selected E-gene subset
选择电子基因子集


参数：LLperGene
likelihood per selected E-gene
然每选定电子基因


参数：control
hyperparameter as in function call
hyperparameter作为在函数调用


作者（S）----------Author(s)----------


Holger Froehlich <URL: http:/www.dkfz.de/mga2/people/froehlich>, Florian Markowetz <URL: http://genomics.princeton.edu/~florian>



参见----------See Also----------

set.default.parameters, nemModelSelection, nem.jackknife, nem.bootstrap, nem.consensus, local.model.prior, plot.nem
set.default.parameters，nemModelSelection，nem.jackknife，nem.bootstrap，nem.consensus，local.model.prior，plot.nem


举例----------Examples----------


   data("BoutrosRNAi2002")
   D <- BoutrosRNAiDiscrete[,9:16]
   control = set.default.parameters(unique(colnames(D)), para=c(0.13, 0.05))   
   res1 <- nem(D,inference="search", control=control)
   res2 <- nem(D,inference="pairwise", control=control)
   res3 <- nem(D,inference="triples", control=control)
   res4 <- nem(D,inference="ModuleNetwork", control=control)
   res5 <- nem(D,inference="nem.greedy", control=control)        
   res6 = nem(BoutrosRNAiLods, inference="nem.greedyMAP", control=control)
   

   par(mfrow=c(2,3))
   plot.nem(res1,main="exhaustive search")
   plot.nem(res2,main="pairs")
   plot.nem(res3,main="triples")
   plot.nem(res4,main="module network")
   plot.nem(res5,main="greedy hillclimber")      
   plot.nem(res6,main="alternating MAP optimization")

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。