fsva(sva)
fsva()所属R语言包：sva
Single sample surrogate variable correction for prediciton problems.
单一样本的替代变量校正prediciton问题。
译者：生物统计家园网 机器人LoveR
描述----------Description----------
fsva corrects training databases and performs "single-sample" correction on new samples for prediction problems. The effect of surrogate variables is removed from the training database which can then be used to build a predictor. The new samples are corrected individually to account for batch effects when the group status is unknown.
fsva纠正培训数据库，并执行“单样本”修正预测问题的新样本。代理变量的影响后，从训练数据库，它可以被用来建立一个预测。新的样品被纠正个别批次的影响时，该组的状态是未知。
用法----------Usage----------
fsva(dbdat,mod,sv,newdat=NULL)
参数----------Arguments----------
参数：dbdat
A m genes by n arrays matrix of expression data from the database/training data
从数据库/训练数据由n阵列基因表达数据矩阵M基因
参数：mod
The model matrix for the terms included in the analysis for the training data
训练数据分析模型矩阵
参数：sv
The surrogate variable object created by running sva on dbdat using mod.
代理变量创建的对象上运行dbdat SVA使用模。
参数：newdat
(Optional) A set of test samples to be adjusted using the training database
（可选）测试样本集训练数据库的使用进行调整
Details
详情----------Details----------
Frozen surrogate variable analysis (fsva) can be applied to remove batch effects for prediction problems.
可应用于冷冻替代变量分析（fsva），消除一批影响预测问题。
值----------Value----------
A list containing:
一份列表，列出：
参数：db
An adjusted version of the training database where the effect of batch/expression heterogeneity has been removed)
一个培训批次/表达的异质性的影响已被删除的数据库调整后的版本）
参数：new
An adjusted version of the new samples, adjusted one at a time using the fsva methodology.
调整后的版本，一个新的样本调整在使用fsva方法之一。
作者（S）----------Author(s)----------
Jeffrey T. Leek <a href="mailto:jleek@jhsph.edu">jleek@jhsph.edu</a>
参考文献----------References----------
参见----------See Also----------
sva, irwsva.build, twostepsva.build, num.sv
sva，irwsva.build，twostepsva.build，num.sv
举例----------Examples----------
## Not run: [＃无法运行：]
## Load data[＃将数据]
library(bladderbatch)
library(pamr)
data(bladderdata)
## Obtain phenotypic data[＃获取表型数据。]
pheno = pData(bladderEset)
edata = exprs(bladderEset)
batch = pheno$batch
mod = model.matrix(~as.factor(cancer), data=pheno)
## Build the training and test sets[＃生成训练集和测试集。]
set.seed(12354)
trainIndicator = sample(1:57,size=30,replace=F)
testIndicator = (1:57)[-trainIndicator]
trainData = edata[,trainIndicator]
testData = edata[,testIndicator]
trainPheno = pheno[trainIndicator,]
testPheno = pheno[testIndicator,]
# Fit the sva model to the training set[符合广电模型的训练集]
trainMod = model.matrix(~cancer,data=trainPheno)
trainMod0 = model.matrix(~1,data=trainPheno)
trainSv = sva(trainData,trainMod,trainMod0)
#fsva correct and train[fsva正确和列车]
fsvaobj = fsva(trainData,trainMod,trainSv,testData)
mydataSv = list(x=fsvaobj$db,y=trainPheno$cancer)
mytrainSv = pamr.train(mydataSv)
table(pamr.predict(mytrainSv,fsvaobj$new,threshold=1),testPheno$cancer)
## End(Not run)[＃结束（不运行）]
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 15:21:27
