stepwiseCM-package(stepwiseCM)
stepwiseCM-package()所属R语言包：stepwiseCM
Stepwise classification of cancer samples using both clinical and molecular Data.
逐步分类癌症的临床和分子数据的样本。
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Given two types of data, it first evaluate the classification performances of two data types independently by the user define classification algorithm, then explore the two different data spaces using the proximity matrix from random forest algorithm. Based on the exact locations of the test samples in the clinical data space (presume clinical information of the test samples are given) and the "pseudo" locations in the molecular data space (presume molecular profiles of the test sample are not available), reclassification scores (RS) for each test sample is calculated. Large value of the RS means, sample benefits more if classify it with molecular data.
由于两种类型的数据，它首先由用户评价两种数据类型的分类性能独立定义的分类算法，然后探讨了两种不同的数据空间使用随机森林算法的相似性矩阵。根据测试样品中的临床数据空间（假设测试样本的临床资料）和分子的数据空间（假定分子型材试样不可用）“伪”的地点的确切位置，改叙分数为每个测试样品（RS）计算。大的RS值表示，样本的好处更多，如果分类与分子数据。
Details
详情----------Details----------
作者（S）----------Author(s)----------
Askar Obulkasim
Maintainer: Askar Obulkasim <askar.wubulikasimu@vumc.nl>
举例----------Examples----------
data(CNS)
train.cli <- t(CNS$cli[1:40, ])
test.cli <- t(CNS$cli[41:60, ])
train.gen <- CNS$mrna[, 1:40]
test.gen <- CNS$mrna[, 41:60]
train.label <- CNS$class[1:40]
test.label <- CNS$class[41:60]
result <- Curve.generator(train.cli, train.gen, train.label, test.cli, test.gen, test.label,
type = c("GLM_L1", "GLM_L2"), RStype = "both", Parallel = FALSE,
CVtype = "k-fold", outerkfold = 2, innerkfold = 2, N = 2, plot.it =FALSE)
names(result)
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 15:13:39
