SimBiology.gsa.MPGSA

Объект, содержащий мультипараметрический глобальный анализ чувствительности (MPGSA) результаты

расширьте все на странице

Описание

SimBiology.gsa.MPGSA объект содержит мультипараметрический глобальный анализ чувствительности [1] результаты, возвращенные sbiompgsa.

Создание

Создайте SimBiology.gsa.MPGSA объектное использование sbiompgsa.

Свойства

развернуть все

Это свойство доступно только для чтения.

Выражения ответов модели в виде массива ячеек из символьных векторов.

Типы данных: cell

Это свойство доступно только для чтения.

Статистика Кольмогорова-Смирнова в виде таблицы. Табличным размером является [params, classifiers], где params является количеством входных параметров, и classifiers является количеством классификаторов. Запись [i,j] содержит статистическую величину Кольмогорова-Смирнова, возвращенную kstest2 (Statistics and Machine Learning Toolbox), сравнивающий два eCDFs i th параметр, принятый и отклоненный j th классификатор. Если все выборки приняты или отклонены классификатором, запись [i,j] установлен в NaN.

VariableNames свойство содержит выражения классификатора, заданные как вход к sbiompgsa. Долгие выражения являются усеченными со сложением '(classifier i)', где i является индексом классификатора. VariableDescriptions свойство содержит неусеченные выражения классификатора.

Типы данных: table

Это свойство доступно только для чтения.

Вычисленные eCDF данные в виде массива ячеек числовых векторов. Размером массива является [params,4,classifiers], где params является количеством входных параметров, и classifiers является количеством классификаторов.

Ячейки [i,1:2,j] содержите f (Statistics and Machine Learning Toolbox) и x (Statistics and Machine Learning Toolbox) выходные параметры от ecdf (Statistics and Machine Learning Toolbox) функция для выборок параметра i, принятый классификатором j.

Ячейки [i,3:4,j] содержите соответствующие выходные параметры для выборок параметра i, отклоненный классификатором j.

Если классификатор принимает все выборки или отклоняет все выборки, соответствующие eCDF данные пусты.

Типы данных: cell

Это свойство доступно только для чтения.

Уровень значения двухстороннего Кольмогорова-Смирнова тестирует в виде скалярного значения в области значений (0,1). Для получения дополнительной информации смотрите kstest2 (Statistics and Machine Learning Toolbox).

Типы данных: double

Это свойство доступно только для чтения.

Асимптотический p - значения для Кольмогорова-Смирнова тестируют в виде таблицы. Табличным размером является [params, classifiers], где params является количеством входных параметров, и classifiers является количеством классификаторов.

Запись [i,j] содержит p-значения, возвращенные kstest2 (Statistics and Machine Learning Toolbox), сравнивающий два eCDFs i th параметр, принимаемый и отклоненный j th классификатор. Если все выборки приняты или отклонены классификатором, запись [i,j] установлен в NaN.

VariableNames свойство содержит выражения классификатора, заданные как вход к sbiompgsa. Долгие выражения являются усеченными со сложением '(classifier i)', где i является индексом классификатора. VariableDescriptions свойство содержит неусеченные выражения классификатора.

Типы данных: table

Это свойство доступно только для чтения.

Флаги, указывающие, приняты ли выборки классификаторами в виде таблицы. Табличным размером является [NumberSamples, classifiers], где NumberSamples является количеством выборок параметра, и classifiers является количеством классификаторов.

VariableNames свойство содержит выражения классификатора, заданные как вход к sbiompgsa. Долгие выражения являются усеченными со сложением '(classifier i)', где i является индексом классификатора. VariableDescriptions свойство содержит неусеченные выражения классификатора.

Типы данных: table

Это свойство доступно только для чтения.

Имена ответов модели или observables в виде массива ячеек из символьных векторов.

Типы данных: char

Это свойство доступно только для чтения.

Выбранные значения параметров в виде таблицы. Каждая строка представляет один набор параметров, и каждый столбец представляет входной параметр того. Для получения дополнительной информации смотрите Мультипараметрический Глобальный Анализ чувствительности (MPGSA).

Типы данных: table

Это свойство доступно только для чтения.

Информация о симуляции, такая как данные моделирования и выборки параметра, используемые для мультипараметрического глобального анализа чувствительности в виде структуры. Структура содержит следующие поля.

  • SimFunction — SimFunction объект используется для ответов имитационной модели или observables.

  • SimData — SimData массив размера [NumberSamples,1], где NumberSamples является количеством отсчетов. Массив содержит результаты симуляции от ParameterSamples.

  • OutputTimes — Числовой вектор-столбец, содержащий общий временной вектор всего SimData объекты.

  • Bounds — Числовая матрица размера [params,2]. params является количеством входных параметров. Первый столбец содержит нижние границы, и второй столбец содержит верхние границы для входных параметров чувствительности.

    Это поле установлено в [] если вы ввели демонстрационные значения параметра, как введено, когда вы вызвали sbiompgsa.

  • DoseTables — Массив ячеек таблиц дозы используется для SimFunction оценка. DoseTables выход getTable(doseInput), где doseInput является значением, заданным для 'Doses' аргумент пары "имя-значение" в вызове sbiosobol, sbiompgsa, или sbioelementaryeffects. Если никакие дозы не применяются, это поле установлено в [].

  • ValidSample — Логический вектор из размера [NumberSamples,1] указание, перестала ли симуляция для конкретной выборки работать. Передискретизация данных моделирования (SimData) может привести к NaN значения, если данные экстраполируются. Такие SimData обозначаются как недопустимые.

  • InterpolationMethod — Имя метода интерполяции для SimData.

  • SamplingMethod — Имя метода выборки раньше чертило ParameterSamples. Когда вы вызываете sbiompgsa с samples (произведенные количества модели) как вход, это поле соответствующего объекта результатов установлено в 'unknown'.

  • RandomState — Структура, содержащая состояние rng прежде, чем чертить ParameterSamples. Когда вы вызываете sbiompgsa с samples (демонстрационные значения параметра) как вход, этим свойством соответствующего объекта результатов является [].

Типы данных: struct

Функции объекта

plotDataПостройте сводные данные квантиля симуляций модели от глобального анализа чувствительности (требует Statistics and Machine Learning Toolbox),
plotПостройте эмпирический CDF мультипараметрического глобального анализа чувствительности
barСоздайте столбиковую диаграмму мультипараметрической глобальной статистики анализа чувствительности
histogramПостройте гистограмму мультипараметрических глобальных результатов анализа чувствительности

Примеры

свернуть все

Этот пример использует:

Скрипт Open Live Script

Загрузите модель Установленного целью расположения препарата (TMDD).

sbioloadproject tmdd_with_TO.sbproj

Получите активный configset и установите целевое заполнение (TO) как ответ.

cs = getconfigset(m1);
cs.RuntimeOptions.StatesToLog = 'TO';

Симулируйте модель и постройте TO профиль. 

sbioplot(sbiosimulate(m1,cs));

Figure contains an axes object. The axes object with title States versus Time contains an object of type line. This object represents TO.

Задайте воздействие (область под кривой профиля TO) порог для целевого заполнения.

classifier = 'trapz(time,TO) <= 0.1';

Выполните MPGSA, чтобы найти чувствительные параметры относительно TO. Варьируйтесь значения параметров между предопределенными границами, чтобы сгенерировать 10 000 выборок параметра.

% Suppress an information warning that is issued during simulation.
warnSettings = warning('off', 'SimBiology:sbservices:SB_DIMANALYSISNOTDONE_MATLABFCN_UCON');
rng(0,'twister'); % For reproducibility
params = {'kel','ksyn','kdeg','km'};
bounds = [0.1, 1; 
          0.1, 1;
          0.1, 1;
          0.1, 1];
mpgsaResults = sbiompgsa(m1,params,classifier,'Bounds',bounds,'NumberSamples',10000)
mpgsaResults = 
  MPGSA with properties:

                    Classifiers: {'trapz(time,TO) <= 0.1'}
    KolmogorovSmirnovStatistics: [4x1 table]
                       ECDFData: {4x4 cell}
              SignificanceLevel: 0.0500
                        PValues: [4x1 table]
              SupportHypothesis: [10000x1 table]
               ParameterSamples: [10000x4 table]
                    Observables: {'TO'}
                 SimulationInfo: [1x1 struct]

Постройте квантили симулированного ответа модели.

plotData(mpgsaResults);

Figure contains an axes object. The axes object contains 12 objects of type line, patch. These objects represent model simulation, 90.0% region, mean value.

Постройте эмпирические кумулятивные функции распределения (eCDFs) принятых и отклоненных выборок. За исключением km, ни один из параметров не показывает значительную разницу в eCDFs для принятых и отклоненных выборок. km постройте показывает крупному Кольмогорову-Смирнову (K-S) расстояние между eCDFs принятых и отклоненных выборок. Расстояние K-S является максимальным абсолютным расстоянием между двумя кривыми eCDFs.

h = plot(mpgsaResults);
% Resize the figure.
pos = h.Position(:);
h.Position(:) = [pos(1) pos(2) pos(3)*2 pos(4)*2];

Figure contains 4 axes objects. Axes object 1 with title trapz(time,TO) <= 0.1 contains 2 objects of type stair. These objects represent accepted samples, rejected samples. Axes object 2 contains 2 objects of type stair. These objects represent accepted samples, rejected samples. Axes object 3 contains 2 objects of type stair. These objects represent accepted samples, rejected samples. Axes object 4 contains 2 objects of type stair. These objects represent accepted samples, rejected samples.

Чтобы вычислить расстояние K-S между двумя eCDFs, SimBiology использует двухсторонний тест на основе нулевой гипотезы, что два распределения принятых и отклоненных выборок равны. Смотрите kstest2 (Statistics and Machine Learning Toolbox) для деталей. Если расстояние K-S является большим, то эти два распределения отличаются, означая, что классификация выборок чувствительна к изменениям входного параметра. С другой стороны, если расстояние K-S мало, то изменения входного параметра не влияют на классификацию выборок. Результаты предполагают, что классификация нечувствительна к входному параметру. Чтобы оценить значение статистической величины K-S, отклоняющей нулевую гипотезу, можно исследовать p-значения.

bar(mpgsaResults)

Figure contains an axes object. The axes object with title trapz(time,TO) <= 0.1 contains 11 objects of type patch, line. These objects represent K-S Statistic, P-Value.

Столбиковая диаграмма показывает две панели для каждого параметра: один для расстояния K-S (статистическая величина K-S) и другой для соответствующего p-значения. Вы отклоняете нулевую гипотезу, если p-значение меньше уровня значения. Крест (x) показан для любого p-значения, которое является почти 0. Вы видите, что точное p-значение соответствует каждому параметру. 

[mpgsaResults.ParameterSamples.Properties.VariableNames',mpgsaResults.PValues]
ans=4×2 table
      Var1      trapz(time,TO) <= 0.1
    ________    _____________________

    {'kel' }          0.0021877      
    {'ksyn'}                  1      
    {'kdeg'}            0.99983      
    {'km'  }                  0

P-значения km и kel меньше уровня (0.05) значения, поддерживая альтернативную гипотезу, что принятые и отклоненные выборки прибывают из различных распределений. Другими словами, классификация выборок чувствительна к km и kel но не к другим параметрам (kdeg и ksyn).

Можно также построить гистограммы принятых и отклоненных выборок. historgrams позволяют вам видеть тренды в принятых и отклоненных выборках. В этом примере, гистограмме km показывает, что существуют более принятые выборки для большего km значения, в то время как kel гистограмма показывает, что существует меньше отклоненных выборок как kel увеличения.

h2 = histogram(mpgsaResults);
% Resize the figure.
pos = h2.Position(:);
h2.Position(:) = [pos(1) pos(2) pos(3)*2 pos(4)*2];

Figure contains 4 axes objects. Axes object 1 with title trapz(time,TO) <= 0.1 contains 2 objects of type histogram. These objects represent accepted samples, rejected samples. Axes object 2 contains 2 objects of type histogram. These objects represent accepted samples, rejected samples. Axes object 3 contains 2 objects of type histogram. These objects represent accepted samples, rejected samples. Axes object 4 contains 2 objects of type histogram. These objects represent accepted samples, rejected samples.

Восстановите настройки предупреждения.

warning(warnSettings);

Больше о

развернуть все

Ссылки

[1] Тиманн, Кристиан А., Joep Vanlier, Мээйк Х. Устервир, Альберт К. Гроен, Питер А. Дж. Хилберс и Натал А. В. ван Рил. “Анализ Траектории параметра, чтобы Идентифицировать Эффекты Обработки Фармакологических Вмешательств”. Отредактированный Скоттом Маркелом. PLoS Вычислительная Биология 9, № 8 (1 августа 2013): e1003166. https://doi.org/10.1371/journal.pcbi.1003166.

Смотрите также

| | (Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox) |

Темы

Введенный в R2020a

Документация SimBiology

Поддержка

Для просмотра документации необходимо авторизоваться на сайте