Partial least squares (PLS) regress

Partial least squares (PLS) regression is a well-known method to
find the relationship between predictor variables X and dependent
variables y. In a PLS model, not only the variance of X, but also the
covariance between X and y is taken into account. Therefore, the
central point of PLS is to find latent variables in the feature space
that have a maximum covariance with y. PLSDA is a variant of
PLS to improve the separation between classes using a categorical
response variable y. In this study, X is the matrix of gene expression
values and the values of y are given as 1 and 1 for positive
and negative class, respectively. Each row of X matrix represents
the gene expression values of all the genes for each sample, and
each column corresponds to the gene expression values of all samples
for a gene. PLSDA is used for modeling the genes expression
data (X) and the response variable (y) using the training set. In
the calculations, the optimal latent variable (LV) number used in
the modeling is determined by Monte Carlo cross validation
(MCCV). In the prediction, the samples with predicted values above
zero are ascribed to positive class, otherwise to negative class. The
parameters of accuracy (Acc), precision (P), recall (R) and F-measure
(F) are used to evaluate the classification effect.

ผลลัพธ์ (ไทย) 2:

สี่เหลี่ยมอย่างน้อยบางส่วน (PLS)
ถดถอยเป็นวิธีการที่รู้จักกันดีที่จะพบความสัมพันธ์ระหว่างตัวแปรX
และขึ้นอยู่กับตัวแปรY ในรูปแบบ PLS ไม่เพียง แต่ความแปรปรวนของ X
แต่ยังมีความแปรปรวนระหว่างx และ y เป็นที่เข้าบัญชี ดังนั้นจุดกลางของ PLS คือการหาตัวแปรแฝงในพื้นที่คุณลักษณะที่มีความแปรปรวนสูงสุดวาย PLSDA เป็นตัวแปรของPLS เพื่อปรับปรุงการแยกระหว่างเรียนโดยใช้เด็ดขาดตอบสนองตัวแปรY ในการศึกษานี้ X คือเมทริกซ์ของการแสดงออกของยีนค่านิยมและค่าของy จะได้รับเป็นที่ 1 และ 1 บวกระดับและลบตามลำดับ แต่ละแถวของเมทริกซ์ X แสดงให้เห็นถึงคุณค่าของการแสดงออกของยีนของยีนดูตัวอย่างในแต่ละครั้งและแต่ละคอลัมน์สอดคล้องกับค่านิยมการแสดงออกของยีนของกลุ่มตัวอย่างทั้งหมดสำหรับยีน PLSDA จะใช้สำหรับการสร้างแบบจำลองการแสดงออกของยีนข้อมูล(X) และตัวแปรการตอบสนอง (y) โดยใช้ชุดการฝึกอบรม ในการคำนวณตัวแปรแฝงที่ดีที่สุด (LV) จำนวนที่ใช้ในการสร้างแบบจำลองจะถูกกำหนดโดยMonte Carlo ข้ามการตรวจสอบ(MCCV) ในการทำนายตัวอย่างที่มีการคาดการณ์ค่าข้างต้นเป็นศูนย์ที่มีการกำหนดระดับบวกมิฉะนั้นการเรียนเชิงลบ พารามิเตอร์ของความถูกต้อง (ACC), ความแม่นยำ (P) การเรียกคืน (R) และ F-วัด(F) ถูกนำมาใช้ในการประเมินผลการจัดหมวดหมู่

ผลลัพธ์ (ไทย) 3:

( กรุณา ) การถดถอยกำลังสองน้อยที่สุดบางส่วนเป็นวิธีที่รู้จักกันดี
หาความสัมพันธ์ระหว่างตัวแปร 2 ตัวแปรตัวแปร X และ Y
ในรูปแบบกรุณา , ไม่เพียง แต่ความแปรปรวนของ X แต่ยัง
ความแปรปรวนระหว่าง x และ y จะเข้าบัญชี ดังนั้น ,
จุดศูนย์กลางของกรุณาหาตัวแปรแฝงในลักษณะพื้นที่ที่มีความสูงสุดด้วย

Y plsda เป็นตัวแปรของกรุณาปรับปรุงการแยกระหว่างเรียนโดยใช้ตัวแปรตอบสนองอย่างแท้จริง
Y ในการศึกษา , X คือเมทริกซ์ค่านิพจน์
ยีนและค่าของ y จะได้รับเป็น 1 และ  1 บวก
และลบตามลำดับ แต่ละแถวของเมทริกซ์แทน
x ยีน คุณค่าของยีนทั้งหมดสำหรับแต่ละตัวอย่างและ
แต่ละคอลัมน์สอดคล้องกับการแสดงออกของยีนทั้งหมดของตัวอย่าง
ค่าสำหรับยีน plsda ใช้สำหรับการจำลองข้อมูลยีนการแสดงออก
( x ) และการตอบสนองตัวแปร ( Y ) โดยใช้ชุดฝึกอบรม . ใน
คำนวณตัวแปรแฝงที่เหมาะสม ( LV ) เบอร์ที่ใช้ในการพิจารณา

ข้ามการตรวจสอบมอนติคาร์โล ( mccv ) ในการทำนาย ตัวอย่างที่มีค่าพยากรณ์ข้างบน
ศูนย์เป็น ascribed เพื่อเรียนบวก มิฉะนั้น เรียนเชิงลบ
พารามิเตอร์ของความถูกต้อง ( ACC ) และความแม่นยำ ( P ) ( R ) และค่า F
( F ) ใช้เพื่อประเมินการผล