plot

Постройте эмпирический CDF мультипараметрического глобального анализа чувствительности

Описание

пример

h = plot(mpgsaObj) строит эмпирический CDFS (ecdf (Statistics and Machine Learning Toolbox)) мультипараметрического глобального анализа чувствительности (MPGSA) и возвращается, фигура обрабатывают h.

пример

h = plot(mpgsaObj,Name,Value) дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение".

Примеры

свернуть все

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);

Входные параметры

свернуть все

Мультипараметрический глобальный анализ чувствительности заканчивается в виде SimBiology.gsa.MPGSA объект.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: h = plot(results,'Classifiers',1) задает, чтобы построить eCDFs первого классификатора.

Введите количества модели, а именно, параметры, разновидности, или отсеки, чтобы построить в виде разделенной запятой пары, состоящей из 'Parameters' и вектор символов, строка, представляет в виде строки вектор, массив ячеек из символьных векторов или вектор из положительной целочисленной индексации в столбцы mpgsaObj.ParameterSamples таблица.

Пример: 'Parameters','k1'

Типы данных: double | char | string | cell

Классификаторы, чтобы построить в виде разделенной запятой пары, состоящей из 'Classifiers' и вектор символов, строка, представляет в виде строки вектор, массив ячеек из символьных векторов или вектор из положительных целых чисел.

Задайте выражения классификаторов, чтобы построить как вектор символов, строка, вектор строки, массив ячеек из символьных векторов. В качестве альтернативы можно задать вектор из положительной целочисленной индексации в mpgsaObj.Classifiers.

Пример: 'Classifiers',[1 3]

Типы данных: double | char | string | cell

Цвет eCDFs принятых выборок в виде разделенной запятой пары, состоящей из 'AcceptedSamplesColor' и трехэлементный вектор-строка. По умолчанию функция использует первый MATLAB® цвет по умолчанию. Чтобы просмотреть порядок цвета по умолчанию, введите get(groot,'defaultAxesColorOrder') или смотрите свойство ColorOrder.

Пример: 'AcceptedSamplesColor',[0.4,0.3,0.2]

Типы данных: double

Цвет eCDFs отклоненных выборок в виде разделенной запятой пары, состоящей из 'RejectedSamplesColor' и трехэлементный вектор-строка. По умолчанию функция использует второй цвет по умолчанию MATLAB для первого порядка и второй цвет по умолчанию для общего порядка. Чтобы просмотреть порядок цвета по умолчанию, введите get(groot,'defaultAxesColorOrder') или смотрите свойство ColorOrder.

Пример: 'RejectedSamplesColor',[0.9,0.5,0.2]

Типы данных: double

Выходные аргументы

свернуть все

Обработайте к фигуре в виде указателя фигуры.

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)

Введенный в R2020a
Для просмотра документации необходимо авторизоваться на сайте