R语言 fabia包 fabi()函数中文帮助文档(中英文对照)

loveR · 发表于 2012-2-25 17:28:57

fabi(fabia)
fabi()所属R语言包：fabia

                                    Factor Analysis for Bicluster Acquisition: Laplace Prior (FABI)
                                       因素分析：拉普拉斯Bicluster收购之前（没法比）

                                       译者：生物统计家园网机器人LoveR

描述----------Description----------

fabi: R implementation of  fabia, therefore it is slow.
fabi：R的fabia，因此它是缓慢的实施。

用法----------Usage----------

fabi(X,p=5,alpha=0.1,cyc=500,spl=0,spz=0.5,center=2,norm=1,lap=1.0)

参数----------Arguments----------

参数：X
the data matrix.
数据矩阵。

参数：p
number of hidden factors = number of biclusters; default = 5.
隐性因素数=的biclusters;默认值= 5。

参数：alpha
sparseness loadings (0-1.0); default = 0.1.
稀疏负荷（0-1.0）;默认值= 0.1。

参数：cyc
number of iterations; default = 500.
迭代次数，默认为500。

参数：spl
sparseness prior loadings (0 - 2.0); default = 0 (Laplace).
稀疏的前负荷（0  -  2.0）;默认值= 0（拉普拉斯）。

参数：spz
sparseness factors (0.5-2.0); default = 0.5 (Laplace).
稀疏因素（0.5-2.0）;默认值= 0.5（拉普拉斯）。

参数：center
data centering: 1 (mean), 2 (median), > 2 (mode), 0 (no); default = 2.
数据定心：1（平均），2（中位数），2（模式），0（无）;默认为2。

参数：norm
data normalization: 1 (0.75-0.25 quantile), >1 (var=1), 0 (no); default = 1.
数据标准化：1（0.75-0.25位数），1（VAR = 1），0（无）;默认值= 1。

参数：lap
minimal value of the variational parameter; default = 1.0.
极小值变分参数的默认值= 1.0;

Details

详情----------Details----------

Biclusters are found by sparse factor analysis where both the factors and the loadings are sparse.
biclusters发现稀疏的因子分析的因素和负荷稀疏。

Essentially the model is the sum of outer products of vectors:
模型本质上是向量外产品的总和：

where the number of summands p is the number of biclusters. The matrix factorization is
加数p是的biclusters数量。矩阵分解

Here λ_i are from R^n, z_i from R^l, L from R^{n \times p}, Z from R^{p \times l}, and X, U from R^{n \times l}.
这里λ_iR^n，z_iR^l，LR^{n \times p}，ZR^{p \times l} X，UR^{n \times l}。

If the nonzero components of the sparse vectors are grouped together then the outer product results in a matrix with a nonzero block and zeros elsewhere.
如果稀疏向量的非零组件被组合在一起，然后在同一个非零块矩阵和零别处外产品的结果。

We recommend to normalize the components to variance one in order to make the signal and noise comparable across components.
我们建议标准化的组成部分，以使信号和噪声跨组件相媲美方差1。

The model selection is performed by a variational approach according to Girolami 2001 and Palmer et al. 2006.
模型的选择是由变分法，根据2001年和Girolami Palmer等人。 2006年。

We included a prior on the parameters and minimize a lower bound on the posterior of the parameters given the data. The update of the loadings includes an additive term which pushes the loadings toward zero (Gaussian prior leads to an multiplicative factor).
我们包括之前的参数，并最大限度地减少后提供的数据参数约束的下限。负荷的更新包括添加剂术语推趋于零（高斯之前导致乘法因子）的负荷。

The code is implemented in R, therefore it is slow.
R中的代码实现，因此，它是缓慢的。

值----------Value----------

参数：
object of the class Factorization. Containing LZ (estimated noise free data L  Z), L (loadings  L), Z (factors Z), U (noise X-LZ), center (centering vector), scaleData (scaling vector), X (centered and scaled data X), Psi (noise variance σ), lapla (variational parameter), avini (the information which the factor z_{ij} contains about x_j averaged over j) xavini (the information which the factor z_{j} contains about x_j) ini (for each j the information which the factor z_{ij} contains about x_j).
对象类Factorization。含有LZ（估计无噪音的数据L  Z）L（负荷L）Z（因素Z）U （噪音X-LZ）center（定心向量），scaleData（缩放向量），X（中心和缩放的数据X）<X >（噪声方差Psi）σ（变参数），lapla（因素avini约z_{ij}平均包含的信息<X >）x_j（信息因素j包含有关xavini）z_{j}（每x_j的信息因素ini包含有关j）。

作者（S）----------Author(s)----------

Sepp Hochreiter

参考文献----------References----------

‘FABIA: Factor Analysis for Bicluster Acquisition’, Bioinformatics 26(12):1520-1527, 2010. http://bioinformatics.oxfordjournals.org/cgi/content/abstract/btq227
‘A Variational Method for Learning Sparse and Overcomplete Representations’, Neural Computation 13(11): 2517-2532, 2001.
‘Variational EM algorithms for non-Gaussian latent variable models’, Advances in Neural Information Processing Systems 18, pp. 1059-1066, 2006.

参见----------See Also----------

fabia, fabias, fabiap, spfabia, fabi, fabiasp, mfsc, nmfdiv, nmfeu, nmfsc, plot, extractPlot, extractBic, plotBicluster, Factorization, projFuncPos, projFunc, estimateMode, makeFabiaData, makeFabiaDataBlocks, makeFabiaDataPos, makeFabiaDataBlocksPos, matrixImagePlot, summary, show, showSelected, fabiaDemo, fabiaVersion
fabia，fabias，fabiap，spfabia，fabi，fabiasp，mfsc，nmfdiv，nmfeu，nmfsc，plot，extractPlot，extractBic，plotBicluster，Factorization，projFuncPos，projFunc ，estimateMode，makeFabiaData，makeFabiaDataBlocks，makeFabiaDataPos，makeFabiaDataBlocksPos，matrixImagePlot，summary，show showSelected，fabiaDemo，fabiaVersion

举例----------Examples----------

#---------------[---------------]
# TEST[试验]
#---------------[---------------]

dat <- makeFabiaDataBlocks(n = 100,l= 50,p = 3,f1 = 5,f2 = 5,
  of1 = 5,of2 = 10,sd_noise = 3.0,sd_z_noise = 0.2,mean_z = 2.0,
  sd_z = 1.0,sd_l_noise = 0.2,mean_l = 3.0,sd_l = 1.0)

X <- dat[[1]]
Y <- dat[[2]]

resEx <- fabi(X,3,0.01,20)

## Not run: [＃无法运行：]
#---------------[---------------]
# DEMO1[DEMO1]
#---------------[---------------]

dat <- makeFabiaDataBlocks(n = 1000,l= 100,p = 10,f1 = 5,f2 = 5,
  of1 = 5,of2 = 10,sd_noise = 3.0,sd_z_noise = 0.2,mean_z = 2.0,
  sd_z = 1.0,sd_l_noise = 0.2,mean_l = 3.0,sd_l = 1.0)

X <- dat[[1]]
Y <- dat[[2]]

resToy <- fabi(X,13,0.01,200)

extractPlot(resToy,ti="FABI",Y=Y)

#---------------[---------------]
# DEMO2[DEMO2]
#---------------[---------------]

avail <- require(fabiaData)

if (!avail) {
message("")
message("")
message("#####################################################")[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃“）]
message("Package 'fabiaData' is not available: please install.")
message("#####################################################")[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃“）]
} else {

data(Breast_A)

X <- as.matrix(XBreast)

resBreast <- fabi(X,5,0.1,200)

extractPlot(resBreast,ti="FABI Breast cancer(Veer)")

#sorting of predefined labels[预定义的标签排序]
CBreast
}

#---------------[---------------]
# DEMO3[DEMO3]
#---------------[---------------]

avail <- require(fabiaData)

if (!avail) {
message("")
message("")
message("#####################################################")[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃“）]
message("Package 'fabiaData' is not available: please install.")
message("#####################################################")[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃“）]
} else {

data(Multi_A)

X <- as.matrix(XMulti)

resMulti <- fabi(X,5,0.1,200)

extractPlot(resMulti,ti="FABI Multiple tissues(Su)")

#sorting of predefined labels[预定义的标签排序]
CMulti
}

#---------------[---------------]
# DEMO4[DEMO4]
#---------------[---------------]

avail <- require(fabiaData)

if (!avail) {
message("")
message("")
message("#####################################################")[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃“）]
message("Package 'fabiaData' is not available: please install.")
message("#####################################################")[＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃＃“）]
} else {

data(DLBCL_B)

X <- as.matrix(XDLBCL)

resDLBCL <- fabi(X,5,0.1,200)

extractPlot(resDLBCL,ti="FABI Lymphoma(Rosenwald)")

#sorting of predefined labels[预定义的标签排序]
CDLBCL
}

## 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。

账号		自动登录	找回密码
密码			注册