Regression and Classification Approaches on Micoarray Data A Study of Regularized Version of GLM With Application in Synthetic and Real Microarray Data
-
- Englisch ausgewählt
48,99 €
UVP
54,90 €
inkl. gesetzl. MwSt.,
Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
12.06.2014
Verlag
LAP LAMBERT Academic PublishingSeitenzahl
112
Maße (L/B/H)
22/15/0,8 cm
Gewicht
185 g
Sprache
Englisch
ISBN
978-3-659-55640-1
In the context of microarray data, a common characteristic is that the number of parameter is greater than the number of samples (n«p). Because of this feature, many existing methods, derived for the usual "small p and large n" problem, either cannot be applied or may not perform well. For the purpose of classification of tumor types in real and simulated microarray data using regularized and classification approaches, we have studied three regression methods, namely Least Absolute Shrinkage and Selection Operator (LASSO), ridge regression, elastic net and four classification methods namely KNN, SVM, RDA and DLDA. In order to evaluation, we have used four readily available real microarray data sets which are Colon, Brain, SRBCT and Spira. The lasso imposes an L1 penalty and ridge regression imposes an L2 penalty; whereas, the elastic net is a balance between these two. Real data and simulation study show that the elastic net outperforms the lasso, although they both are derived from similar concept. Through the comparative study we have found that RDA performs the best for Brain, SRBCT and Spira cancer data and KNN performs better for Colon cancer data.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für dein Feedback
Wir nutzen dein Feedback, um unsere Produktseiten zu verbessern. Bitte habe Verständnis, dass wir dir keine Rückmeldung geben können. Falls du Kontakt mit uns aufnehmen möchtest, kannst du dich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice