rankfeatures

Оцените ключевые возможности по критериям отделимости класса

свернуть все на странице

Синтаксис

[IDX, Z] = rankfeatures(X, Group)
[IDX, Z] = rankfeatures(X, Group, ...'Criterion', CriterionValue, ...)
[IDX, Z] = rankfeatures(X, Group, ...'CCWeighting', ALPHA, ...)
[IDX, Z] = rankfeatures(X, Group, ...'NWeighting', BETA, ...)
[IDX, Z] = rankfeatures(X, Group, ...'NumberOfIndices', N, ...)
[IDX, Z] = rankfeatures(X, Group, ...'CrossNorm', CN, ...)

Описание

[IDX, Z] = rankfeatures(X, Group) оценивает функции в X использование независимого критерия оценки бинарной классификации. X матрица, где каждый столбец является наблюдаемым вектором, и количество строк соответствует исходному количеству функций. Group содержит метки класса.

IDX список индексов к строкам в X со старшими значащими функциями. Z абсолютное значение используемого критерия (см. ниже).

Group может быть числовой вектор, массив ячеек из символьных векторов или представить вектор в виде строки. numel(Group) совпадает с количеством столбцов в X, и Group должен иметь только два уникальных значения. Если это содержит какие-либо значения NaN, функция игнорирует соответствующий вектор наблюдения в X.

idx Z] = rankfeatures (X, GroupPropertyName ', PropertyValue, ...) вызовы rankfeatures с дополнительными свойствами, которые используют имя свойства / пары значения свойства. Можно задать одно или несколько свойств в любом порядке. Каждый PropertyName должен быть заключен в одинарные кавычки и нечувствительный к регистру. Это имя свойства / пары значения свойства следующие:

[IDX, Z] = rankfeatures(X, Group, ...'Criterion', CriterionValue, ...) устанавливает критерий, используемый, чтобы оценить значение каждой функции разделения двух помеченных групп. Выбор:

  • 'ttest' (значение по умолчанию) — 2D демонстрационный t-тест абсолютного значения с объединенной оценкой отклонения.

  • 'entropy' — Относительная энтропия, также известная как расстояние Kullback-Leibler или расхождение.

  • 'bhattacharyya' — Минимальная достижимая ошибка классификации или Чернофф связаны.

  • 'roc' — Область между эмпирической рабочей характеристикой получателя (ROC) изгибается и случайный наклон классификатора.

  • 'wilcoxon' — Абсолютное значение стандартизированной u-статистической-величины 2D демонстрационного непарного теста Wilcoxon, также известного как Манна-Уитни.

Примечание

'ttest', 'entropy', и 'bhattacharyya' примите нормальные распределенные классы в то время как 'roc' и 'wilcoxon' непараметрические тесты. Все тесты являются независимой функцией.

[IDX, Z] = rankfeatures(X, Group, ...'CCWeighting', ALPHA, ...) информация о корреляции использования, чтобы перевесить Z значение потенциальных функций с помощью Z * (1-ALPHA\rho, где RHO среднее значение абсолютных значений коэффициента взаимной корреляции между функцией кандидата и всеми ранее выбранными функциями. ALPHA устанавливается коэффициент взвешивания. Это - скалярное значение между 0 и 1. Когда ALPHA 0 потенциальные функции (по умолчанию) не взвешиваются. Большое значение RHO (близко к 1) перевешивает статистическую величину значения; это означает, что показывает, которые высоко коррелируются с функциями, уже выбранными, менее вероятно, будут включены в список выходов.

[IDX, Z] = rankfeatures(X, Group, ...'NWeighting', BETA, ...) использует региональную информацию, чтобы перевесить Z значение потенциальных функций с помощью Z * (1-exp (-(DIST/BETA).^2)), где DIST расстояние (в строках) между функцией кандидата и ранее выбранными функциями. BETA устанавливается коэффициент взвешивания. Это больше или равно 0. Когда BETA 0 потенциальные функции (по умолчанию) не взвешиваются. Маленький DIST (близко к 0) перевешивает статистику значения только близких функций. Это означает, что показывает, которые являются близко к уже выбранным функциям, менее вероятно, будут включены в список выходов. Эта опция полезна для извлечения функций от временных рядов с временной корреляцией.

BETA может также быть функция местоположения функции, заданное использование @ или анонимная функция. В обоих случаях rankfeatures передает положение строки функции к BETA() и ожидает назад значение, больше, чем или равный 0.

Примечание

Можно использовать 'CCWeighting' и 'NWeighting' вместе.

[IDX, Z] = rankfeatures(X, Group, ...'NumberOfIndices', N, ...) определяет номер выходных индексов в IDX. Значение по умолчанию совпадает с количеством функций когда ALPHA и BETA 0, или 20 в противном случае.

[IDX, Z] = rankfeatures(X, Group, ...'CrossNorm', CN, ...) применяет независимую нормализацию через наблюдения для каждой функции. Перекрестная нормализация гарантирует сопоставимость среди различных функций, несмотря на то, что это не всегда необходимо, потому что выбранный критерий может уже составлять это. Выбор:

  • 'none' (значение по умолчанию) — Интенсивность не перекрестный нормирована.

  • 'meanvar' — x_new = (x - mean(x))/std(x)

  • 'softmax' — x_new = (1+exp((mean(x)-x)/std(x)))^-1

  • 'minmax' — x_new = (x - min(x))/(max(x)-min(x))

Примеры

свернуть все

Найдите уменьшаемый набор генов, который достаточен для дифференциации ячеек рака молочной железы от всех других типов рака в t-матричном NCI60 наборе данных. Загрузка демонстрационных данных.

load NCI60tmatrix

Получите логический вектор индекса к ячейкам рака молочной железы.

BC = GROUP == 8;

Выберите функции.

I = rankfeatures(X,BC,'NumberOfIndices',12);

Протестируйте функции с линейным дискриминантным классификатором.

C = classify(X(I,:)',X(I,:)',double(BC));
cp = classperf(BC,C);
cp.CorrectRate

ans =

     1

Используйте взвешивание взаимной корреляции, чтобы далее сократить необходимое количество генов.

I = rankfeatures(X,BC,'CCWeighting',0.7,'NumberOfIndices',8);
C = classify(X(I,:)',X(I,:)',double(BC));
cp = classperf(BC,C);
cp.CorrectRate 

ans =

     1

Найдите дискриминантный peaks двух групп сигналов с Гауссовыми импульсами модулируемым двумя другими источниками.

load GaussianPulses
f = rankfeatures(y',grp,'NWeighting',@(x) x/10+5,'NumberOfIndices',5);
plot(t,y(grp==1,:),'b',t,y(grp==2,:),'g',t(f),1.35,'vr')

Ссылки

[1] Theodoridis, S. и Koutroumbas, K. (1999). Распознавание образов, Academic Press, 341-342.

[2] Лю, H., Motoda, H. (1998). Выбор признаков для открытия знаний и анализа данных, Kluwer академические издатели.

[3] Росс, D.T. et.al. (2000). Систематическое изменение шаблонов экспрессии гена в человеческих линиях раковых клеток. Генетика природы. 24 (3), 227-235.

Смотрите также

| | | |

Представлено до R2006a

Документация Bioinformatics Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте